ComeçarComece de graça

Amostre hiperparâmetros aleatoriamente

Para realizar uma random search, primeiro precisamos fazer uma amostragem aleatória do nosso espaço de hiperparâmetros.

Neste exercício, você vai primeiro criar algumas listas de hiperparâmetros que podem ser combinadas (zipadas) em uma lista de listas. Depois, você vai amostrar aleatoriamente combinações de hiperparâmetros para se preparar para executar uma random search.

Você usará apenas os hiperparâmetros learning_rate e min_samples_leaf do algoritmo GBM para manter o exemplo ilustrativo e não excessivamente complicado.

Este exercício faz parte do curso

Ajuste de Hiperparâmetros em Python

Ver curso

Instruções do exercício

  • Crie uma lista com 200 valores para o hiperparâmetro learning_rate entre 0.01 e 1.5 e atribua à lista learn_rate_list.
  • Crie uma lista de valores entre 10 e 40, inclusive, para o hiperparâmetro min_samples_leaf e atribua à lista min_samples_list.
  • Combine essas listas em uma lista de listas para amostrar.
  • Amostre aleatoriamente 250 modelos a partir dessas combinações de hiperparâmetros e imprima o resultado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Editar e executar o código