Aan de slagGa gratis aan de slag

Hyperparameter-tuning met GridSearchCV

Nu je hebt gezien hoe je grid search voor hyperparameter-tuning uitvoert, ga je een lasso-regressiemodel bouwen met optimale hyperparameters om bloedglucosespiegels te voorspellen met de features in de diabetes_df-gegevensset.

X_train, X_test, y_train en y_test zijn al voor je ingeladen. Er is een KFold()-object gemaakt en opgeslagen als kf, en een lasso-regressiemodel als lasso.

Deze oefening maakt deel uit van de cursus

Supervised Learning met scikit-learn

Cursus bekijken

Oefeninstructies

  • Importeer GridSearchCV.
  • Stel een parameterrooster in voor "alpha", waarbij je np.linspace() gebruikt om 20 gelijkmatig verdeelde waarden te maken van 0.00001 tot en met 1.
  • Roep GridSearchCV() aan en geef lasso, het parameterrooster en cv gelijk aan kf door.
  • Fit het gridsearch-object op de trainingsdata om een kruisgevalideerde grid search uit te voeren.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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_))
Code bewerken en uitvoeren