Losowe próbkowanie hiperparametrów

Aby przeprowadzić przeszukiwanie losowe, najpierw trzeba wykonać losowe próbkowanie przestrzeni hiperparametrów.

W tym ćwiczeniu najpierw utworzysz listy hiperparametrów, które połączysz w listę list. Następnie wylosujesz kombinacje hiperparametrów, przygotowując się do uruchomienia przeszukiwania losowego.

Dla uproszczenia przykładu użyjesz tylko hiperparametrów learning_rate i min_samples_leaf algorytmu GBM.

To ćwiczenie jest częścią kursu

Strojenie hiperparametrów w Pythonie

Instrukcje do ćwiczenia

Utwórz listę 200 wartości hiperparametru learning_rate z zakresu od 0,01 do 1,5 i przypisz ją do zmiennej learn_rate_list.
Utwórz listę wartości od 10 do 40 włącznie dla hiperparametru min_samples_leaf i przypisz ją do zmiennej min_samples_list.
Połącz te listy w listę list, z której będziesz próbkować.
Wylosuj 250 modeli spośród tych kombinacji hiperparametrów i wyświetl wynik.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)

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

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

Bieżące ćwiczenie

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!