Wykorzystanie najlepszych wyników

Analiza wyników przeszukiwania siatki jest ciekawa, ale nasz ostateczny cel jest praktyczny – chcemy generować predykcje na zbiorze testowym za pomocą obiektu estymatora.

Dostęp do tego obiektu uzyskamy przez właściwość best_estimator_ naszego obiektu przeszukiwania siatki.

Przyjrzyjmy się zawartości właściwości best_estimator_, wykonajmy predykcje i obliczmy miary oceny. Na początek użyjemy domyślnej metody predict (zwracającej predykcje klas), a następnie sięgniemy po predict_proba zamiast predict, aby obliczyć wynik ROC-AUC – ta miara wymaga bowiem prawdopodobieństw. Używamy wycinka [:,1], aby uzyskać prawdopodobieństwa klasy pozytywnej.

Do dyspozycji masz zbiory danych X_test i y_test oraz obiekt grid_rf_class z poprzednich ćwiczeń.

To ćwiczenie jest częścią kursu

Strojenie hiperparametrów w Pythonie

Instrukcje do ćwiczenia

Sprawdź typ właściwości best_estimator_.
Użyj właściwości best_estimator_, aby wygenerować predykcje na zbiorze testowym.
Oblicz macierz pomyłek i wynik ROC_AUC na podstawie tych predykcji.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# See what type of object the best_estimator_ property is
print(____(____.____))

# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)

# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])

# Now create a confusion matrix 
print("Confusion Matrix \n", confusion_matrix(y_test, ______))

# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))

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

Bieżące ćwiczenie

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!