1. Nauka
    2. /
  2. Kursy
    3. /
  3. Strojenie hiperparametrów w Pythonie
Connected

ćwiczenie

Automatyzacja wyboru hiperparametrów

Znalezienie najlepszego hiperparametru bez pisania setek linii kodu dla setek modeli to ogromna oszczędność czasu – i duże ułatwienie w przyszłej pracy z modelami uczenia maszynowego.

Jednym z kluczowych hiperparametrów algorytmu GBM jest współczynnik uczenia. Tylko która jego wartość będzie najlepsza dla tego problemu? Pisząc pętlę, która przeszuka różne możliwości, a następnie zbierając i analizując wyniki, możesz znaleźć optymalną wartość.

Wartości współczynnika uczenia do wypróbowania: 0,001, 0,01, 0,05, 0,1, 0,2 oraz 0,5.

Do dyspozycji masz zbiory danych X_train, X_test, y_train i y_test, a GradientBoostingClassifier jest już zaimportowany.

Instrukcje

100 XP
  • Utwórz listę learning_rates zawierającą wartości współczynnika uczenia oraz listę results_list do przechowywania wyników dokładności predykcji.
  • Napisz pętlę, która tworzy model GBM dla każdego z podanych współczynników uczenia i generuje predykcje dla każdego modelu.
  • Zapisz wartość współczynnika uczenia oraz wynik dokładności do listy results_list.
  • Przekształć listę wyników w DataFrame i wyświetl ją.