Analiza stabilności TPOT
Przekonasz się teraz o losowej naturze TPOT – skonstruujesz klasyfikator z różnymi stanami losowymi i zobaczysz, który model algorytm uzna za najlepszy. Dzięki temu dostrzeżesz, że TPOT bywa dość niestabilny, gdy nie uruchamia się go przez wystarczająco długi czas.
To ćwiczenie jest częścią kursu
Strojenie hiperparametrów w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=2, population_size=4, offspring_size=3, scoring='accuracy', cv=2,
verbosity=2, random_state=____)
# Fit the classifier to the training data
tpot_clf.fit(X_train, y_train)
# Score on the test set
print(tpot_clf.score(X_test, y_test))