Zacznij terazZacznij za darmo

Strojenie hiperparametrów algorytmem genetycznym z TPOT

Wypróbujesz prosty przykład strojenia hiperparametrów z użyciem algorytmu genetycznego. TPOT to bardzo rozbudowana biblioteka o wielu możliwościach – w tej lekcji jedynie zarysowujemy jej potencjał, ale zachęcamy do samodzielnej eksploracji we własnym czasie.

To bardzo uproszczony przykład. W praktyce TPOT jest projektowany do pracy przez wiele godzin, by znaleźć najlepszy model. W prawdziwym scenariuszu używa się znacznie większej populacji, większej liczby potomków i setek generacji.

Stworzysz estymator, dopasujesz go do danych treningowych, a następnie ocenisz na danych testowych.

W tym przykładzie przyjmij następujące ustawienia:

  • 3 generacje
  • rozmiar populacji: 4
  • 3 potomków w każdej generacji
  • dokładność (accuracy) jako metryka oceny

Dla powtarzalności wyników ustawiono random_state równy 2.

To ćwiczenie jest częścią kursu

Strojenie hiperparametrów w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Przypisz wartości opisane w kontekście do odpowiednich parametrów wejściowych klasyfikatora tpot_clf.
  • Utwórz klasyfikator tpot_clf z poprawnymi parametrami wejściowymi.
  • Dopasuj klasyfikator do danych treningowych (w obszarze roboczym dostępne są X_train i y_train).
  • Użyj dopasowanego klasyfikatora, aby ocenić model na zbiorze testowym (w obszarze roboczym dostępne są X_test i y_test).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Edytuj i uruchom kod