1. Nauka
    2. /
  2. Kursy
    3. /
  3. Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie
Connected

ćwiczenie

Losowe przeszukiwanie siatki

# Call GridSearchCV
grid_search = GridSearchCV(clf, param_grid)

# Fit the model
grid_search.fit(X, y)

W powyższym fragmencie kodu z poprzedniego ćwiczenia mogło się rzucić w oczy, że pierwsza linia wykonała się niemal natychmiast, podczas gdy wywołanie .fit() zajęło kilka sekund.

To dlatego, że to właśnie .fit() przeprowadza właściwe przeszukiwanie siatki – w naszym przypadku obejmowało ono wiele różnych kombinacji. Im większa siatka hiperparametrów, tym wolniejsze przeszukiwanie. Żeby rozwiązać ten problem, zamiast sprawdzać każdą możliwą kombinację, można losowo poruszać się po siatce i testować wybrane zestawy wartości. Istnieje niewielkie ryzyko, że pominiemy najlepszą kombinację, ale za to zaoszczędzimy dużo czasu – lub zdołamy dostroić więcej hiperparametrów w tym samym czasie.

W scikit-learn służy do tego RandomizedSearchCV. Ma takie samo API jak GridSearchCV, z tą różnicą, że zamiast konkretnych wartości hiperparametrów podajesz rozkład parametrów, z którego algorytm może losować próbki. Przetestuj to teraz! Rozkład parametrów oraz klasyfikator lasu losowego clf zostały już przygotowane.

Instrukcje 1/3

undefined XP
    1
    2
    3
  • Zaimportuj RandomizedSearchCV z sklearn.model_selection.