Aan de slagGa gratis aan de slag

Bouw Grid Search-functies

In data science is het een goed idee om algoritmes, modellen en processen ‘from scratch’ te bouwen, zodat je echt begrijpt wat er op een dieper niveau gebeurt. Natuurlijk zijn er geweldige packages en libraries voor dit werk (en daar komen we heel snel aan toe!), maar iets zelf opbouwen geeft je een voorsprong in je data science-werk.

In deze oefening maak je een functie die 2 hyperparameters inleest, modellen bouwt en resultaten teruggeeft. Je gebruikt deze functie in een latere oefening.

Je hebt de gegevenssets X_train, X_test, y_train en y_test tot je beschikking.

Deze oefening maakt deel uit van de cursus

Hyperparameter Tuning in Python

Cursus bekijken

Oefeninstructies

  • Bouw een functie die twee parameters aanneemt, learning_rate en max_depth, voor respectievelijk de learning rate en de maximale diepte.
  • Voeg in de functie de mogelijkheid toe om een GBM-model te bouwen en het te fitten op de data met de ingevoerde hyperparameters.
  • Laat de functie de resultaten van dat model en de gekozen hyperparameters (learning_rate en max_depth) teruggeven.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Code bewerken en uitvoeren