ComeçarComece de graça

Automatizando a Escolha de Hiperparâmetros

Encontrar o melhor hiperparâmetro de interesse sem escrever centenas de linhas de código para centenas de modelos é um ganho importante de eficiência que vai ajudar muito na construção dos seus futuros modelos de machine learning.

Um hiperparâmetro importante para o algoritmo GBM é a taxa de aprendizado (learning rate). Mas qual learning rate é melhor para este problema? Escrevendo um loop para testar várias possibilidades, consolidar os resultados e visualizá-los, você pode encontrar a melhor.

Learning rates possíveis para testar incluem 0.001, 0.01, 0.05, 0.1, 0.2 e 0.5

Você terá disponíveis os conjuntos X_train, X_test, y_train e y_test, e GradientBoostingClassifier já foi importado para você.

Este exercício faz parte do curso

Ajuste de Hiperparâmetros em Python

Ver curso

Instruções do exercício

  • Crie uma lista learning_rates com as taxas de aprendizado e uma results_list para guardar a acurácia das suas previsões.
  • Escreva um loop para criar um modelo GBM para cada learning rate mencionada e gerar previsões para cada modelo.
  • Salve o learning rate e a acurácia em uma results_list.
  • Transforme a lista de resultados em um DataFrame e imprima-o.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Set the learning rates & results storage
learning_rates = ____
results_list = ____

# Create the for loop to evaluate model predictions for each learning rate
for learning_rate in ____:
    model = ____(learning_rate=____)
    predictions = ____.fit(____, ____).predict(____)
    # Save the learning rate and accuracy score
    results_list.append([____, accuracy_score(y_test, ____)])

# Gather everything into a DataFrame
results_df = pd.DataFrame(____, columns=['learning_rate', 'accuracy'])
print(results_df)
Editar e executar o código