ÎncepețiÎncepe gratuit

Obiectul RandomizedSearchCV

La fel ca biblioteca GridSearchCV din Scikit Learn, RandomizedSearchCV oferă multe funcționalități utile pentru a realiza eficient o căutare aleatorie. Vei crea un obiect RandomizedSearchCV, făcând ajustarea necesară față de obiectul GridSearchCV.

Opțiunile dorite sunt:

  • Un estimator Gradient Boosting Classifier implicit
  • Validare încrucișată cu 5 pliuri
  • Folosirea acurateței pentru evaluarea modelelor
  • Utilizarea a 4 nuclee pentru procesare paralelă
  • Asigurarea reantrenării celui mai bun model și returnarea scorurilor de antrenament
  • Eșantionarea aleatorie a 10 modele

Gridul de hiperparametri trebuie definit pentru learning_rate (150 de valori între 0,1 și 2) și min_samples_leaf (toate valorile între 20 și 64, inclusiv).

Vei avea la dispoziție seturile de date X_train și y_train.

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează un grid de parametri conform specificațiilor de mai sus.
  • Creează un obiect RandomizedSearchCV conform descrierii de mai sus.
  • Antrenează obiectul RandomizedSearchCV pe datele de antrenament.
  • Afișează valorile alese de procesul de modelare pentru ambii hiperparametri.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
Editează și rulează codul