노래 인기도 예측을 위한 파이프라인
마지막 실습 문제에서는 파이프라인을 구축하여 결측값 대체, 특성 스케일링, 로지스틱 회귀 모델의 하이퍼파라미터 튜닝을 수행할 것입니다. 목표는 노래 장르를 예측할 때 최적의 매개변수와 정확도를 찾는 것입니다!
여러분을 위해 파이프라인을 구축하는 데 필요한 모든 모델과 객체가 미리 로드되어 있습니다.
이 연습은 강의의 일부입니다
scikit-learn으로 배우는 지도 학습
연습 안내
- simple imputer, standard scaler, 로지스틱 회귀 모델을 호출하여 파이프라인의 단계를 생성하세요.
steps변수를 전달하여 파이프라인 객체를 생성하세요.- 파이프라인과 매개변수를 사용하여 교차 검증을 수행할 그리드 서치 객체를 인스턴스화하세요.
- 최적의 매개변수를 출력하고, 그리드 서치 객체에 대한 테스트 세트 정확도 점수를 계산하여 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Create steps
steps = [("imp_mean", ____()),
("scaler", ____()),
("logreg", ____())]
# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
"logreg__C": np.linspace(0.001, 1.0, 10)}
# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)
# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))