GridSearchCV warm-up
No vídeo, vimos que o aumento do hiperparâmetro do kernel RBF gamma aumenta a precisão do treinamento. Neste exercício, procuraremos o gamma que maximiza a precisão da validação cruzada usando o GridSearchCV do scikit-learn. Uma versão binária do conjunto de dados de dígitos manuscritos, na qual você está apenas tentando prever se uma imagem é ou não um "2", já está carregada nas variáveis X e y.
Este exercício faz parte do curso
Classificadores lineares em Python
Instruções de exercício
- Crie um objeto
GridSearchCV. - Chame o método
fit()para selecionar o melhor valor degammacom base na precisão da validação cruzada.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)