Ajuste conjunto de gama e C com o GridSearchCV
No exercício anterior, o melhor valor de gamma foi 0,001 usando o valor padrão de C, que é 1. Neste exercício, você procurará a melhor combinação de C e gamma usando GridSearchCV.
Como no exercício anterior, o conjunto de dados 2-vs-not-2 digits já está carregado, mas desta vez ele está dividido nas variáveis X_train, y_train, X_test e y_test. Embora a validação cruzada já divida o conjunto de treinamento em partes, geralmente é uma boa ideia manter um conjunto de teste separado para garantir que os resultados da validação cruzada sejam sensatos.
Este exercício faz parte do curso
Classificadores lineares em Python
Instruções de exercício
- Execute
GridSearchCVpara encontrar os melhores hiperparâmetros usando o conjunto de treinamento. - Imprima os melhores valores dos parâmetros.
- Imprima a precisão no conjunto de teste, que não foi usado durante o procedimento de 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 = {'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(____))