始める無料で始める

GridSearchCV によるハイパーパラメータチューニング

グリッドサーチによるハイパーパラメータチューニングの方法を学んだので、今度は最適なハイパーパラメータを使ったラッソ回帰モデルを構築し、diabetes_df データセットの特徴量を用いて血糖値を予測しましょう。

X_train、X_test、y_train、y_test はあらかじめ読み込まれています。また、KFold() オブジェクトが kf として、ラッソ回帰モデルが lasso として作成、保存されています。

この演習はコースの一部です

scikit-learn による教師あり学習

コースを見る

演習の手順

  • GridSearchCV をインポートします。
  • "alpha" を使って np.linspace() から 0.00001 までの等間隔の20個の値を作成し、1のパラメータグリットを設定します。
  • GridSearchCV()を呼び出し、lassoとパラメータグリッドを渡し、cv をkf に設定します。
  • グリッドサーチオブジェクトを学習データにフィットさせ、交差検証付きグリッドサーチを実行します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
コードを編集して実行