ÎncepețiÎncepe gratuit

Analiza celor mai bune rezultate

La sfârșitul zilei, ne interesează în primul rând pătratul cu cea mai bună performanță dintr-un grid search. Din fericire, obiectele gridSearchCv din Scikit Learn au o serie de parametri care oferă informații esențiale despre cel mai bun pătrat (sau rând din cv_results_).

Trei proprietăți pe care le vei explora sunt:

  • best_score_ – Scorul (în acest caz ROC_AUC) obținut de pătratul cu cea mai bună performanță.
  • best_index_ – Indexul rândului din cv_results_ care conține informații despre pătratul cu cea mai bună performanță.
  • best_params_ – Un dicționar cu parametrii care au generat cel mai bun scor, de exemplu 'max_depth': 10

Obiectul grid search grid_rf_class este disponibil.

Un dataframe (cv_results_df) a fost creat din cv_results_ pentru tine, la linia 6. Acesta te va ajuta să indexezi în rezultate.

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Extrage și afișează scorul ROC_AUC obținut de pătratul cu cea mai bună performanță din grid_rf_class.
  • Creează o variabilă din rândul cu cea mai bună performanță, folosind indexul în cv_results_df.
  • Creează o variabilă, best_n_estimators, extragând parametrul n_estimators din pătratul cu cea mai bună performanță din grid_rf_class, și afișeaz-o.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Editează și rulează codul