GridSearchCV-opwarmertje

In de video zagen we dat het verhogen van de RBF-kernelhyperparameter gamma de trainingsnauwkeurigheid verhoogt. In deze oefening gaan we met scikit-learns GridSearchCV zoeken naar de gamma die de cross-validatienauwkeurigheid maximaliseert. Een binaire versie van de dataset met handgeschreven cijfers, waarin je alleen probeert te voorspellen of een afbeelding een "2" is of niet, is al geladen in de variabelen X en y.

Deze oefening maakt deel uit van de cursus

Lineaire classificatoren in Python

Bekijk cursus

Oefeninstructies

Maak een GridSearchCV-object aan.
Roep de methode fit() aan om op basis van cross-validatienauwkeurigheid de beste waarde voor gamma te kiezen.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Instantiate an RBF SVM
svm = SVC()

# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)

# Report the best parameters
print("Best CV params", searcher.best_params_)

Code bewerken en uitvoeren