Zacznij terazZacznij za darmo

Strojenie hiperparametrów za pomocą GridSearchCV

Wiesz już, jak przeprowadzać strojenie hiperparametrów metodą przeszukiwania siatki. Teraz zbudujesz model regresji lasso z optymalnymi hiperparametrami, aby przewidywać poziom glukozy we krwi na podstawie cech ze zbioru danych diabetes_df.

Obiekty X_train, X_test, y_train i y_test zostały wcześniej wczytane. Obiekt KFold() jest dostępny jako kf, a model regresji lasso — jako lasso.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj GridSearchCV.
  • Skonfiguruj siatkę parametrów dla "alpha", używając np.linspace() do utworzenia 20 równomiernie rozłożonych wartości z zakresu od 0.00001 do 1.
  • Wywołaj GridSearchCV(), przekazując lasso, siatkę parametrów oraz ustawiając cv równe kf.
  • Dopasuj obiekt przeszukiwania siatki do danych treningowych, aby przeprowadzić przeszukiwanie siatki z walidacją krzyżową.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Edytuj i uruchom kod