Ajustando em conjunto gamma e C com GridSearchCV
No exercício anterior, o melhor valor de gamma foi 0,001 usando o valor padrão de C, que é 1. Neste exercício, você vai buscar a melhor combinação de C e gamma usando o GridSearchCV.
Assim como no exercício anterior, o conjunto de dígitos 2-versus-não-2 já está carregado, mas agora ele está dividido nas variáveis X_train, y_train, X_test e y_test. Mesmo que a validação cruzada já divida o conjunto de treino em partes, muitas vezes é uma boa ideia manter um conjunto de teste separado para confirmar que os resultados da validação cruzada fazem sentido.
Este exercício faz parte do curso
Classificadores Lineares em Python
Instruções do exercício
- Execute o
GridSearchCVpara encontrar os melhores hiperparâmetros usando o conjunto de treino. - Imprima os melhores valores dos parâmetros.
- Imprima a acurácia no conjunto de teste, que não foi usado durante o procedimento de validação cruzada.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)
# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))