Aquecimento com GridSearchCV
No vídeo, vimos que aumentar o hiperparâmetro gamma do kernel RBF aumenta a acurácia de treino. Neste exercício, vamos buscar o gamma que maximiza a acurácia de validação cruzada usando o GridSearchCV do scikit-learn. Uma versão binária do conjunto de dados de dígitos escritos à mão, em que você precisa prever se uma imagem é ou não um "2", já está carregada nas variáveis X e y.
Este exercicio faz parte do curso
Classificadores Lineares em Python
Instruções do exercicio
- Crie um objeto
GridSearchCV. - Chame o método
fit()para selecionar o melhor valor degammacom base na acurácia de validação cruzada.
exercicio interativo prático
Tente este exercicio completando 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_)