Zacznij terazZacznij za darmo

Zmiana hiperparametrów

Liczba iteracji trenowania oraz rozmiar warstw ukrytych to dwa główne hiperparametry, które można modyfikować podczas pracy z klasyfikatorem MLP. W tym ćwiczeniu będziesz zmieniać każdy z nich osobno i obserwować, jak wpływają na dokładność (accuracy) oraz AUC krzywej ROC.

X_train, y_train, X_test, y_test są dostępne w twoim środowisku. Cechy zostały już wystandaryzowane przy użyciu StandardScaler(). Biblioteki pandas jako pd oraz numpy jako np są również dostępne w twoim środowisku.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Edytuj i uruchom kod