ÎncepețiÎncepe gratuit

Construiește funcții pentru Grid Search

În știința datelor, este o idee excelentă să construiești algoritmi, modele și procese „de la zero", ca să înțelegi cu adevărat ce se întâmplă la un nivel mai profund. Desigur, există pachete și biblioteci excelente pentru acest tip de lucru (și le vom aborda foarte curând!), dar construirea de la zero îți va oferi un avantaj real în activitatea ta de data science.

În acest exercițiu, vei crea o funcție care primește 2 hiperparametri, construiește modele și returnează rezultatele. Vei folosi această funcție într-un exercițiu viitor.

Vei avea la dispoziție seturile de date X_train, X_test, y_train și y_test.

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Construiește o funcție care primește doi parametri, numiți learning_rate și max_depth, pentru rata de învățare, respectiv adâncimea maximă.
  • Adaugă în funcție logica necesară pentru a construi un model GBM și a-l antrena pe date cu hiperparametrii primiți ca intrare.
  • Fă funcția să returneze rezultatele modelului împreună cu hiperparametrii aleși (learning_rate și max_depth).

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Editează și rulează codul