Zacznij terazZacznij za darmo

Przeszukiwanie siatki dla MLP

Dostrajanie hiperparametrów można przeprowadzić w sklearn, podając różne wartości parametrów wejściowych – każdy z nich można zdefiniować przy użyciu funkcji z biblioteki numpy. Jedną z metod dostrajania jest przeszukiwanie siatki (grid search), które sprawdza wszystkie kombinacje hiperparametrów podanych w param_grid. W tym ćwiczeniu użyjesz przeszukiwania siatki do optymalizacji hiperparametrów klasyfikatora MLP.

W środowisku pracy dostępne są: X_train, y_train, X_test, y_test – cechy zostały już zestandaryzowane. Dostępne są również pandas jako pd oraz numpy jako np.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz listę wartości [10, 20] dla max_iter oraz listę wartości [(8, ), (16, )] dla hidden_layer_sizes.
  • Skonfiguruj przeszukiwanie siatki z 4 zadaniami, używając n_jobs, aby przejść przez wszystkie kombinacje hiperparametrów.
  • Wyświetl najlepszy wynik AUC oraz najlepszy estymator, który go osiągnął.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Edytuj i uruchom kod