Vizualizarea unei căutări aleatoare

Vizualizarea spațiului de căutare al metodei de căutare aleatoare îți permite să observi cu ușurință acoperirea acestei tehnici și, implicit, efectul eșantionării asupra spațiului de căutare.

În acest exercițiu vei folosi mai multe eșantioane diferite de combinații de hiperparametri și vei produce vizualizări ale spațiului de căutare.

Funcția sample_and_visualize_hyperparameters() primește un singur argument (numărul de combinații de eșantionat) și selectează aleatoriu combinații de hiperparametri, exact ca în exercițiul anterior! Funcția va vizualiza apoi combinațiile.

Dacă vrei să vezi definiția funcției, poți folosi biblioteca inspect din Python, astfel:

print(inspect.getsource(sample_and_visualize_hyperparameters))

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

Instrucțiuni pentru exercițiu

Verifică câte combinații posibile de hiperparametri există în combinations_list atribuind rezultatul variabilei number_combs și afișează-l.
Eșantionează și vizualizează 50, 500 și 1.500 de combinații. Vei folosi o buclă pentru concizie. Ce observi în vizualizare?
Acum eșantionează și vizualizează întregul set de combinații. Ai deja o variabilă creată care te va ajuta cu acest pas. Cum arată rezultatul?

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Confirm how many hyperparameter combinations & print
number_combs = ____(____)
print(____)

# Sample and visualise specified combinations
for x in [____, ____, ____]:
    sample_and_visualize_hyperparameters(x)
    
# Sample all the hyperparameter combinations & visualise
____(____)

Editează și rulează codul

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

SkillTag.level.intermediateSkillTag.label

4.9+

Începe cursul gratuit

În acest capitol introductiv vei învăța diferența dintre hiperparametri și parametri. Vei exersa extragerea și analiza parametrilor, setarea valorilor hiperparametrilor pentru câțiva algoritmi populari de învățare automată. Pe parcurs, vei descoperi sfaturi și tehnici utile pentru alegerea hiperparametrilor de ajustat și a valorilor de setat, și vei construi curbe de învățare pentru a-ți analiza alegerile.

Exercise 1: Introducere și „Parametri'Exercise 2: Parametri în Regresia Logistică Exercise 3: Extragerea unui parametru din regresia logistică Exercise 4: Extragerea unui parametru din Random Forest Exercise 5: Introducere în hiperparametri Exercise 6: Hiperparametri în Random Forests Exercise 7: Explorarea hiperparametrilor Random Forest Exercise 8: Hiperparametrii algoritmului KNN Exercise 9: Setarea și analiza valorilor hiperparametrilor Exercise 10: Automatizarea alegerii hiperparametrilor Exercise 11: Construirea curbelor de învățare

Acest capitol îți prezintă o metodologie populară de ajustare automată a hiperparametrilor, numită Grid Search. Vei afla ce este, cum funcționează și vei exersa aplicarea unui Grid Search folosind Scikit-Learn. Vei învăța apoi să analizezi rezultatele unui Grid Search și vei dobândi experiență practică în acest sens.

Exercise 1: Introducere în Grid Search Exercise 2: Construiește funcții pentru Grid Search Exercise 3: Ajustează iterativ mai mulți hiperparametri Exercise 4: Câte modele?Exercise 5: Grid Search cu Scikit Learn Exercise 6: Intrările GridSearchCV Exercise 7: GridSearchCV cu Scikit Learn Exercise 8: Înțelegerea rezultatelor unui grid search Exercise 9: Folosirea celor mai bune rezultate Exercise 10: Explorarea rezultatelor grid search Exercise 11: Analiza celor mai bune rezultate Exercise 12: Folosirea celor mai bune rezultate

În acest capitol vei face cunoștință cu o altă metodologie populară de ajustare automată a hiperparametrilor, numită Random Search. Vei afla ce este, cum funcționează și, mai important, în ce diferă de Grid Search. Vei descoperi avantajele și dezavantajele acestei metode și când este mai potrivit să o alegi față de Grid Search. Vei exersa aplicarea unui Random Search cu Scikit-Learn, precum și vizualizarea și interpretarea rezultatelor.

Exercise 1: Introducere în Random Search Exercise 2: Eșantionare aleatorie a hiperparametrilor Exercise 3: Căutare aleatorie cu Random Forest Exercise 4: Vizualizarea unei căutări aleatoare

Exercițiul curent

Exercise 5: Căutarea aleatoare în Scikit-Learn Exercise 6: Parametrii de intrare ai RandomSearchCV Exercise 7: Obiectul RandomizedSearchCV Exercise 8: RandomSearchCV în Scikit Learn Exercise 9: Comparație între Grid Search și Random Search Exercise 10: Comparație între Random Search și Grid Search Exercise 11: Grid Search și Random Search față în față

În acest capitol final vei face cunoștință cu metodologii mai avansate de ajustare a hiperparametrilor, cunoscute sub numele de „căutare informată". Acestea includ metodologia Coarse to Fine, precum și algoritmii Bayesieni și Genetici de ajustare a hiperparametrilor. Vei afla cum diferă căutarea informată de cea neinformată și vei dobândi abilități practice cu fiecare dintre metodologiile menționate, comparându-le pe parcurs.

Exercise 1: Căutare informată: de la grosier la fin Exercise 2: Vizualizarea căutării de la Grosier la Fin Exercise 3: Iterații de la General la Specific Exercise 4: Căutare informată: statistică bayesiană Exercise 5: Regula lui Bayes în Python Exercise 6: Reglarea hiperparametrilor Bayesian cu Hyperopt Exercise 7: Căutare informată: algoritmi genetici Exercise 8: Reglarea Hiperparametrilor cu Algoritmi Genetici folosind TPOT Exercise 9: Analizarea stabilității TPOT Exercise 10: Felicitări!