1. Nauka
    2. /
  2. Kursy
    3. /
  3. Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Connected

ćwiczenie

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.

Instrukcje 1/2

undefined XP
  • 1
    • Utwórz klasyfikator MLP dla każdej konfiguracji max_iter.
    • Oblicz dokładność oraz AUC, używając roc_auc_score() na y_score.
  • 2
    • Utwórz 3 klasyfikatory MLP z 4, 8 i 16 jednostkami (używając (4, ), (8, ) itd.).
    • Wyznacz dokładność oraz AUC krzywej ROC dla każdego z nich.