GridSearchCV – rozgrzewka
W filmie widziałeś, że zwiększanie hiperparametru gamma jądra RBF poprawia dokładność na zbiorze treningowym. W tym ćwiczeniu znajdziesz wartość gamma, która maksymalizuje dokładność kroswalidacji, korzystając z GridSearchCV biblioteki scikit-learn. Binarna wersja zbioru danych ręcznie pisanych cyfr – w której zadaniem jest przewidzenie, czy obraz przedstawia cyfrę „2" – jest już załadowana do zmiennych X i y.
To ćwiczenie jest częścią kursu
Liniowe klasyfikatory w Pythonie
Instrukcje do ćwiczenia
- Utwórz obiekt
GridSearchCV. - Wywołaj metodę
fit(), aby wybrać najlepszą wartośćgammana podstawie dokładności kroswalidacji.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)