Potok do przewidywania popularności piosenek
W tym ostatnim ćwiczeniu zbudujesz potok, który uzupełni brakujące wartości, przeskaluje cechy i przeprowadzi strojenie hiperparametrów modelu regresji logistycznej. Celem jest znalezienie najlepszych parametrów i najwyższej dokładności przy przewidywaniu gatunku muzycznego!
Wszystkie potrzebne modele i obiekty zostały już wcześniej załadowane.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe z scikit-learn
Instrukcje do ćwiczenia
- Utwórz kroki potoku, wywołując prosty imputator, standaryzację cech oraz model regresji logistycznej.
- Utwórz obiekt potoku i przekaż do niego zmienną
steps. - Utwórz obiekt przeszukiwania siatki, aby przeprowadzić kroswalidację z użyciem potoku i parametrów.
- Wyświetl najlepsze parametry, a następnie oblicz i wyświetl wynik dokładności na zbiorze testowym dla obiektu przeszukiwania siatki.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create steps
steps = [("imp_mean", ____()),
("scaler", ____()),
("logreg", ____())]
# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
"logreg__C": np.linspace(0.001, 1.0, 10)}
# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)
# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))