Gamma en C samen afstemmen met GridSearchCV

In de vorige oefening was de beste waarde voor gamma 0.001 met de standaardwaarde van C, namelijk 1. In deze oefening zoek je met GridSearchCV naar de beste combinatie van C en gamma.

Net als in de vorige oefening is de 2-vs-niet-2 digits-gegevensset al geladen, maar dit keer is die opgesplitst in de variabelen X_train, y_train, X_test en y_test. Ook al splitst cross-validatie de trainingsset al in delen, het is vaak verstandig om een aparte testset achter de hand te houden om te controleren of de cross-validatieresultaten logisch zijn.

Deze oefening maakt deel uit van de cursus

Lineaire classificatoren in Python

Cursus bekijken

Oefeninstructies

Voer GridSearchCV uit om met de trainingsset de beste hyperparameters te vinden.
Print de beste waarden van de parameters.
Print de accuratesse op de testset, die niet is gebruikt tijdens de cross-validatieprocedure.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Instantiate an RBF SVM
svm = SVC()

# Instantiate the GridSearchCV object and run the search
parameters = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)

# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)

# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))

Code bewerken en uitvoeren