ÎncepețiÎncepe gratuit

Grid Search pentru MLP

Ajustarea hiperparametrilor poate fi realizată cu sklearn prin furnizarea diverselor valori de intrare, fiecare putând fi definită cu ajutorul funcțiilor din numpy. O metodă de ajustare care parcurge exhaustiv toate combinațiile de hiperparametri specificate prin param_grid este grid search. În acest exercițiu, vei folosi grid search pentru a explora hiperparametrii unui clasificator MLP.

X_train, y_train, X_test, y_test sunt disponibile în spațiul tău de lucru, iar caracteristicile au fost deja standardizate. pandas ca pd și numpy ca np sunt, de asemenea, disponibile în spațiul tău de lucru.

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează lista de valori [10, 20] pentru max_iter și o listă de valori [(8, ), (16, )] pentru hidden_layer_sizes.
  • Configurează un grid search cu 4 sarcini folosind n_jobs, pentru a itera peste toate combinațiile de hiperparametri.
  • Afișează cel mai bun scor AUC și cel mai bun estimator care a condus la acest scor.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Editează și rulează codul