MLP 그리드 서치
하이퍼파라미터 튜닝은 sklearn에서 다양한 입력 파라미터를 제공하여 수행할 수 있으며, 각각은 numpy의 여러 함수를 사용해 인코딩할 수 있어요. param_grid로 지정한 모든 하이퍼파라미터 조합을 샅샅이 탐색하는 방법이 그리드 서치예요. 이 연습 문제에서는 그리드 서치를 사용해 MLP 분류기의 하이퍼파라미터를 탐색해 보겠습니다.
X_train, y_train, X_test, y_test는 작업 공간에 준비되어 있으며, 특성은 이미 표준화되어 있어요. 또한 pandas는 pd, numpy는 np로 작업 공간에 로드되어 있어요.
이 연습은 강의의 일부입니다
Python으로 Machine Learning을 활용한 CTR 예측
연습 안내
max_iter에 대해 값 목록[10, 20]을,hidden_layer_sizes에 대해 값 목록[(8, ), (16, )]을 만드세요.n_jobs를 사용해 작업 수를 4로 설정하고, 모든 하이퍼파라미터 조합을 반복 탐색하는 그리드 서치를 구성하세요.- 가장 높은 AUC 점수와, 이 점수를 만든 최적 추정기를 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Create list of hyperparameters
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}
# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____,
scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)