НачатьНачать бесплатно

Анализ наилучших результатов

В конечном счёте нас прежде всего интересует наилучшая «ячейка» в сетке поиска. К счастью, объекты gridSearchCv в Scikit Learn предоставляют ряд параметров с ключевой информацией именно об этой лучшей ячейке (или строке в cv_results_).

Вы изучите три свойства:

  • best_score_ – значение метрики (здесь ROC_AUC) для наилучшей ячейки.
  • best_index_ – индекс строки в cv_results_, содержащей информацию о наилучшей ячейке.
  • best_params_ – словарь параметров, давших наилучший результат, например 'max_depth': 10

Объект поиска по сетке grid_rf_class доступен для использования.

На строке 6 уже создан датафрейм (cv_results_df) на основе cv_results_. Он поможет вам обратиться к нужной строке результатов по индексу.

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Инструкции к упражнению

  • Извлеките и выведите значение метрики ROC_AUC для наилучшей ячейки в grid_rf_class.
  • Создайте переменную для наилучшей строки, обратившись к cv_results_df по индексу.
  • Создайте переменную best_n_estimators, извлёкив параметр n_estimators для наилучшей ячейки из grid_rf_class, и выведите её значение.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Редактировать и запускать код