ÎncepețiÎncepe gratuit

Pipeline pentru predicția popularității melodiilor

În ultimul exercițiu, vei construi un pipeline pentru a imputa valorile lipsă, a scala caracteristicile și a realiza ajustarea hiperparametrilor unui model de regresie logistică. Scopul este să găsești cei mai buni parametri și cea mai bună acuratețe pentru predicția genului muzical al unei melodii!

Toate modelele și obiectele necesare pentru construirea pipeline-ului au fost preîncărcate pentru tine.

Acest exercițiu face parte din cursul

Învățare supravegheată cu scikit-learn

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează pașii pentru pipeline apelând un imputer simplu, un scaler standard și un model de regresie logistică.
  • Creează un obiect pipeline și pasează variabila steps.
  • Instanțiază un obiect de căutare pe grilă pentru a realiza validarea încrucișată folosind pipeline-ul și parametrii.
  • Afișează cei mai buni parametri, calculează și afișează scorul de acuratețe pe setul de testare pentru obiectul de căutare pe grilă.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create steps
steps = [("imp_mean", ____()), 
         ("scaler", ____()), 
         ("logreg", ____())]

# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
         "logreg__C": np.linspace(0.001, 1.0, 10)}

# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)

# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))
Editează și rulează codul