GridSearchCV로 gamma와 C 동시 튜닝하기
이전 연습 문제에서는 기본값 C가 1일 때 최적의 gamma 값이 0.001이었어요. 이번에는 GridSearchCV를 사용해 C와 gamma의 최적 조합을 찾아보겠습니다.
이전과 마찬가지로 2 대 나머지(2-vs-not-2) 숫자 데이터셋이 미리 로드되어 있으며, 이번에는 X_train, y_train, X_test, y_test로 나뉘어 있어요. 교차 검증이 이미 훈련 세트를 여러 부분으로 나누긴 하지만, 교차 검증 결과가 타당한지 확인하기 위해 별도의 테스트 세트를 따로 보관해 두는 것이 보통 더 좋아요.
이 연습은 강의의 일부입니다
Python으로 배우는 선형 분류기
연습 안내
- 훈련 세트를 사용해
GridSearchCV를 실행하여 최적의 하이퍼파라미터를 찾으세요. - 선택된 최적 파라미터 값을 출력하세요.
- 교차 검증에 사용되지 않은 테스트 세트에 대한 정확도를 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)
# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))