시작하기무료로 시작하기

GridSearchCV를 사용한 하이퍼파라미터 튜닝

이제 Grid Search 하이퍼파라미터 튜닝을 수행하는 방법을 살펴보았으니, 최적의 하이퍼파라미터를 가진 라쏘 회귀 모델을 만들어 diabetes_df 데이터세트의 특성으로 혈당 수치를 예측해 볼 것입니다.

여러분을 위해 X_train, X_test, y_train, y_test가 미리 로드되어 있습니다. 또한 KFold() 객체가 생성되어 kf로, 라쏘 회귀 모델은 lasso로 저장되어 있습니다.

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

강의 보기

연습 안내

  • GridSearchCV를 가져오세요.
  • "alpha"에 대한 파라미터 그리드를 설정하고, np.linspace()를 사용하여 0.00001부터 1까지 균등한 간격의 값 20개를 생성하세요.
  • GridSearchCV()를 호출하여 lasso와 파라미터 그리드를 전달하고, cv를 kf와 같게 설정하세요.
  • 교차 검증된 그리드 서치를 수행하려면 그리드 서치 객체를 학습 데이터에 학습시키세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
코드 편집 및 실행