SMS 스팸 모델 최적화

앞서 SMS 스팸 모델을 위해 구축한 파이프라인은 모든 요소에 기본 파라미터를 사용했습니다. 하지만 기본 파라미터만으로는 좋은 모델을 얻기 어렵습니다. 이번 연습 문제에서는 다양한 파라미터 값을 사용해 파이프라인을 실행해 보겠습니다. 체계적인 방식으로 진행합니다. 각 하이퍼파라미터의 값들을 그리드(grid) 형태로 배치한 뒤, 파이프라인이 그리드의 각 지점을 순서대로 실행하게 됩니다.

이번 연습 문제에서는 파라미터 그리드를 설정합니다. 이 그리드는 교차 검증(cross-validation)과 함께 사용하여 SMS 스팸 분류기에 적합한 파라미터 조합을 선택하는 데 활용됩니다.

다음 객체는 이미 정의되어 있습니다:

hasher — HashingTF 객체
logistic — LogisticRegression 객체

이 연습은 강의의 일부입니다

PySpark로 하는 Machine Learning

강의 보기

연습 안내

파라미터 그리드 빌더 객체를 생성하세요.
HashingTF 객체에 numFeatures와 binary 파라미터의 그리드 포인트를 추가하세요. 각각 1024, 4096, 16384와 True, False 값을 지정하세요.
LogisticRegression 객체에 regParam과 elasticNetParam 파라미터의 그리드 포인트를 추가하세요. 각각 0.01, 0.1, 1.0, 10.0과 0.0, 0.5, 1.0 값을 지정하세요.
파라미터 그리드를 빌드하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Create parameter grid
params = ____()

# Add grid for hashing trick parameters
params = params.____(____, ____) \
               .____(____, ____)

# Add grid for logistic regression parameters
params = params.____(____, ____) \
               .____(____, ____)

# Build parameter grid
params = ____.____()

코드 편집 및 실행