하이퍼파라미터 바꿔 보기
MLP 분류기에서 조정할 수 있는 대표적인 하이퍼파라미터로는 학습 반복 횟수와 은닉층 크기가 있습니다. 이 연습 문제에서는 이 두 가지를 각각 바꿔 보면서, 정확도와 ROC 곡선의 AUC 관점에서 성능이 어떻게 달라지는지 살펴보겠습니다.
X_train, y_train, X_test, y_test가 워크스페이스에 준비되어 있습니다. 특성은 이미 StandardScaler()로 표준화되어 있습니다. 또한 pandas는 pd, numpy는 np로 임포트되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 Machine Learning을 활용한 CTR 예측
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
clf = MLPClassifier(hidden_layer_sizes = (4, ),
____ = max_iter, random_state = 0)
# Extract relevant predictions
y_score = clf.fit(____, ____).____(X_test)
y_pred = clf.fit(____, ____).____(X_test)
# Get ROC curve metrics
print("Accuracy for max_iter = %s: %s" %(
max_iter, _____(y_test, ____)))
print("AUC for max_iter = %s: %s" %(
max_iter, ____(y_test, ____[:, 1])))