Eksploracja wyników przeszukiwania siatki

Teraz przeanalizujesz właściwość cv_results_ obiektu GridSearchCV zdefiniowanego w filmie. To słownik, który możemy wczytać do ramki danych pandas – zawiera wiele przydatnych informacji o przeprowadzonym przeszukiwaniu siatki.

Przypomnienie typów kolumn dostępnych w tej właściwości:

kolumny time_
kolumny param_ (po jednej dla każdego hiperparametru) oraz jedna kolumna params (ze wszystkimi ustawieniami hiperparametrów)
kolumna train_score dla każdego podziału CV, w tym kolumny mean_train_score i std_train_score
kolumna test_score dla każdego podziału CV, w tym kolumny mean_test_score i std_test_score
kolumna rank_test_score z liczbą od 1 do n (liczba iteracji), rangująca wiersze na podstawie wartości mean_test_score

To ćwiczenie jest częścią kursu

Strojenie hiperparametrów w Pythonie

Instrukcje do ćwiczenia

Wczytaj właściwość cv_results_ obiektu GridSearchCV grid_rf_class do ramki danych i wyświetl całą jej zawartość.
Wyodrębnij i wyświetl pojedynczą kolumnę zawierającą słownik wszystkich hiperparametrów użytych w każdej iteracji przeszukiwania siatki.
Wyodrębnij i wyświetl wiersz z najlepszym średnim wynikiem testowym, korzystając z indeksowania po kolumnie rank_test_score.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Read the cv_results property into a dataframe & print it out
cv_results_df = pd.DataFrame(grid_rf_class.____)
print(____)

# Extract and print the column with a dictionary of hyperparameters used
column = cv_results_df.loc[:, [____]]
print(____)

# Extract and print the row that had the best mean test score
best_row = cv_results_df[cv_results_df[____] == ____ ]
print(best_row)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Strojenie hiperparametrów w Pythonie

SkillTag.level.intermediateSkillTag.label

4.9+

Rozpocznij kurs za darmo

W tym rozdziale wprowadzającym poznasz różnicę między hiperparametrami a parametrami. Przećwiczysz wyodrębnianie i analizowanie parametrów oraz ustawianie wartości hiperparametrów dla kilku popularnych algorytmów uczenia maszynowego. Przy okazji poznasz sprawdzone wskazówki dotyczące wyboru hiperparametrów do strojenia, doboru ich wartości, a także tworzenia krzywych uczenia do analizy swoich wyborów.

Exercise 1: Wprowadzenie i „Parametry"Exercise 2: Parametry w regresji logistycznej Exercise 3: Wyodrębnianie parametru regresji logistycznej Exercise 4: Wyodrębnianie parametru modelu Random Forest Exercise 5: Wprowadzenie do hiperparametrów Exercise 6: Hiperparametry w lasach losowych Exercise 7: Odkrywanie hiperparametrów lasu losowego Exercise 8: Hiperparametry KNN Exercise 9: Ustawianie i analiza wartości hiperparametrów Exercise 10: Automatyzacja wyboru hiperparametrów Exercise 11: Budowanie krzywych uczenia

Ten rozdział zapozna cię z popularną metodą automatycznego strojenia hiperparametrów – przeszukiwaniem siatki. Dowiesz się, czym jest ta metoda i jak działa, a następnie przećwiczysz jej zastosowanie w Scikit-Learn. Nauczysz się też analizować wyniki przeszukiwania siatki i zdobędziesz praktyczne doświadczenie w tym zakresie.

Exercise 1: Wprowadzenie do przeszukiwania siatki Exercise 2: Tworzenie funkcji do przeszukiwania siatki Exercise 3: Iteracyjne dostrajanie wielu hiperparametrów Exercise 4: Ile modeli?Exercise 5: Grid Search z Scikit-Learn Exercise 6: Dane wejściowe GridSearchCV Exercise 7: GridSearchCV z biblioteką Scikit Learn Exercise 8: Interpretowanie wyników przeszukiwania siatki Exercise 9: Korzystanie z najlepszych wyników Exercise 10: Eksploracja wyników przeszukiwania siatki

Bieżące ćwiczenie

Exercise 11: Analiza najlepszych wyników Exercise 12: Wykorzystanie najlepszych wyników

W tym rozdziale poznasz kolejną popularną metodę automatycznego strojenia hiperparametrów – przeszukiwanie losowe. Dowiesz się, czym jest, jak działa i czym różni się od przeszukiwania siatki. Poznasz zalety i ograniczenia tej metody oraz nauczysz się, kiedy warto ją stosować zamiast przeszukiwania siatki. Przećwiczysz przeszukiwanie losowe w Scikit-Learn, a także wizualizację i interpretację jego wyników.

Exercise 1: Wprowadzenie do przeszukiwania losowego Exercise 2: Losowe próbkowanie hiperparametrów Exercise 3: Losowe przeszukiwanie z Random Forest Exercise 4: Wizualizacja przeszukiwania losowego Exercise 5: Random Search w Scikit Learn Exercise 6: Parametry wejściowe RandomSearchCV Exercise 7: Obiekt RandomizedSearchCV Exercise 8: RandomSearchCV w Scikit Learn Exercise 9: Porównanie przeszukiwania siatki i przeszukiwania losowego Exercise 10: Porównanie Random Search i Grid Search Exercise 11: Przeszukiwanie siatką i losowe – porównanie

W tym ostatnim rozdziale poznasz bardziej zaawansowane metody strojenia hiperparametrów, określane jako „przeszukiwanie ukierunkowane". Obejmują one podejście od ogółu do szczegółu (Coarse to Fine) oraz algorytmy bayesowskie i genetyczne. Dowiesz się, czym przeszukiwanie ukierunkowane różni się od nieukierunkowanego, i zdobędziesz praktyczne umiejętności korzystania z każdej z tych metod – porównując je ze sobą w trakcie nauki.

Exercise 1: Świadome przeszukiwanie: od ogółu do szczegółu Exercise 2: Wizualizacja podejścia Coarse to Fine Exercise 3: Iteracje od ogółu do szczegółu Exercise 4: Wyszukiwanie z użyciem informacji: statystyka bayesowska Exercise 5: Reguła Bayesa w Pythonie Exercise 6: Bayesowskie dostrajanie hiperparametrów z Hyperopt Exercise 7: Świadome przeszukiwanie: algorytmy genetyczne Exercise 8: Strojenie hiperparametrów algorytmem genetycznym z TPOT Exercise 9: Analiza stabilności TPOT Exercise 10: Gratulacje!