Jednoczesne strojenie gamma i C za pomocą GridSearchCV
W poprzednim ćwiczeniu najlepsza wartość gamma wynosiła 0,001 przy domyślnej wartości C równej 1. W tym ćwiczeniu znajdziesz najlepszą kombinację C i gamma za pomocą GridSearchCV.
Podobnie jak w poprzednim ćwiczeniu, zbiór danych cyfr „2 kontra reszta" jest już wczytany, ale tym razem jest podzielony na zmienne X_train, y_train, X_test i y_test. Choć kroswalidacja sama w sobie dzieli zbiór treningowy na części, dobrą praktyką jest wydzielenie osobnego zbioru testowego – pozwala to sprawdzić, czy wyniki kroswalidacji są wiarygodne.
To ćwiczenie jest częścią kursu
Liniowe klasyfikatory w Pythonie
Instrukcje do ćwiczenia
- Uruchom
GridSearchCV, aby znaleźć najlepsze hiperparametry na zbiorze treningowym. - Wyświetl najlepsze wartości parametrów.
- Wyświetl dokładność na zbiorze testowym, który nie był używany podczas 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 = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)
# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))