ÎncepețiÎncepe gratuit

Căutare pe grilă

Ajustarea hiperparametrilor poate fi realizată cu sklearn, furnizând diverse valori de intrare, fiecare putând fi codificată prin funcții din numpy. O metodă de ajustare, care explorează exhaustiv toate combinațiile de hiperparametri specificate prin param_grid, este căutarea pe grilă (grid search). În acest exercițiu, vei folosi căutarea pe grilă pentru a explora hiperparametrii unui clasificator de tip random forest, folosind ca funcție de scor AUC-ul curbei ROC.

X_train, y_train, X_test, y_test sunt disponibile în spațiul tău de lucru. pandas ca pd, numpy ca np și sklearn sunt de asemenea disponibile. În plus, GridSearchCV() din sklearn.model_selection este disponibil.

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează lista de valori pentru fiecare hiperparametru: n_estimators și max_depth.
  • Creează un clasificator de tip random forest.
  • Configurează o căutare pe grilă pentru a itera peste toate combinațiile de hiperparametri.
  • Afișează cel mai bun scor AUC folosind .best_score_ și cel mai bun estimator care a condus la acest scor folosind .best_estimator_.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create list of hyperparameters 
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}

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