НачатьНачать бесплатно

Создание функций для поиска по сетке

В науке о данных очень полезно реализовывать алгоритмы, модели и процессы «с нуля» — это позволяет глубже понять, что происходит внутри. Конечно, для такой работы существуют отличные пакеты и библиотеки (мы скоро к ним перейдём!), но самостоятельная реализация даст вам значительное преимущество в работе с данными.

В этом упражнении вы создадите функцию, которая принимает 2 гиперпараметра, строит модели и возвращает результаты. Эту функцию вы будете использовать в одном из следующих упражнений.

Вам будут доступны наборы данных X_train, X_test, y_train и y_test.

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Инструкции к упражнению

  • Создайте функцию, принимающую два параметра: learning_rate (скорость обучения) и max_depth (максимальная глубина).
  • Добавьте в функцию возможность строить модель GBM и обучать её на данных с заданными гиперпараметрами.
  • Настройте функцию так, чтобы она возвращала результаты работы модели и выбранные гиперпараметры (learning_rate и max_depth).

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Редактировать и запускать код