시작하기무료로 시작하기

Grid Search 함수 만들기

데이터 과학에서는 알고리즘, 모델, 프로세스를 직접 ‘from scratch’로 만들어 보며 더 깊은 수준에서 어떤 일이 일어나는지 이해하는 것이 매우 좋습니다. 물론 이를 위한 훌륭한 패키지와 라이브러리가 있고(곧 사용해 볼 거예요!) 직접 구현해 보는 경험은 데이터 과학 업무에서 큰 강점이 됩니다.

이 연습 문제에서는 하이퍼파라미터 2개를 입력으로 받아 모델을 학습하고 결과를 반환하는 함수를 만듭니다. 이 함수는 이후 연습 문제에서 다시 사용합니다.

X_train, X_test, y_train, y_test 데이터셋이 제공됩니다.

이 연습은 강의의 일부입니다

Python에서의 하이퍼파라미터 튜닝

강의 보기

연습 안내

  • 학습률과 최대 깊이를 위한 두 매개변수 learning_rate와 max_depth를 받는 함수를 만드세요.
  • 함수 안에서 GBM 모델을 생성하고, 입력한 하이퍼파라미터로 데이터를 학습하도록 기능을 추가하세요.
  • 함수가 선택한 하이퍼파라미터(learning_rate, max_depth)와 해당 모델의 결과를 함께 반환하도록 하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
코드 편집 및 실행