ComeçarComece de graça

Criar funções de Grid Search

Em data science, é uma ótima ideia tentar construir algoritmos, modelos e processos “do zero” para entender de verdade o que está acontecendo em um nível mais profundo. Claro que existem ótimos pacotes e bibliotecas para esse trabalho (e vamos chegar lá muito em breve!), mas construir do zero vai te dar uma vantagem enorme no seu trabalho de data science.

Neste exercício, você vai criar uma função que recebe 2 hiperparâmetros, constrói modelos e retorna os resultados. Você usará essa função em um exercício futuro.

Você terá disponíveis os conjuntos de dados X_train, X_test, y_train e y_test.

Este exercício faz parte do curso

Ajuste de Hiperparâmetros em Python

Ver curso

Instruções do exercício

  • Construa uma função que receba dois parâmetros chamados learning_rate e max_depth, representando a taxa de aprendizado e a profundidade máxima.
  • Adicione à função a capacidade de construir um modelo GBM e ajustá-lo aos dados usando os hiperparâmetros de entrada.
  • Faça a função retornar os resultados desse modelo e os hiperparâmetros escolhidos (learning_rate e max_depth).

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Editar e executar o código