Входные данные GridSearchCV

Проверьте свои знания входных данных GridSearchCV, ответив на вопрос ниже.

В консоли доступны три объекта GridSearchCV: model_1, model_2, model_3. Обратите внимание, что данные для обучения этих моделей недоступны. Вместо этого вам нужно ответить, опираясь на их конструкцию.

Какой из этих объектов GridSearchCV не будет работать при попытке обучить его?

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Подбор гиперпараметров в Python

SkillTag.level.intermediateSkillTag.label

4.9+

Начать курс бесплатно

В этой вводной главе вы узнаете, чем гиперпараметры отличаются от параметров. Вы попрактикуетесь в извлечении и анализе параметров, а также в задании значений гиперпараметров для нескольких популярных алгоритмов машинного обучения. По ходу главы вы познакомитесь с полезными рекомендациями по выбору гиперпараметров для настройки, научитесь задавать их значения и строить кривые обучения для анализа сделанных выборов.

Exercise 1: Введение и «параметры»Exercise 2: Параметры в логистической регрессии Exercise 3: Извлечение параметра логистической регрессии Exercise 4: Извлечение параметра случайного леса Exercise 5: Введение в гиперпараметры Exercise 6: Гиперпараметры в случайных лесах Exercise 7: Изучение гиперпараметров случайного леса Exercise 8: Гиперпараметры KNN Exercise 9: Настройка и анализ значений гиперпараметров Exercise 10: Автоматизация выбора гиперпараметров Exercise 11: Построение кривых обучения

В этой главе рассматривается популярный метод автоматического подбора гиперпараметров — поиск по сетке (Grid Search). Вы узнаете, что это такое, как он работает, и попрактикуетесь в его применении с помощью Scikit-Learn. Затем вы научитесь анализировать результаты поиска по сетке и закрепите этот навык на практике.

Exercise 1: Введение в Grid Search Exercise 2: Создание функций для поиска по сетке Exercise 3: Последовательная настройка нескольких гиперпараметров Exercise 4: Сколько моделей?Exercise 5: Grid Search с помощью Scikit Learn Exercise 6: Входные данные GridSearchCV

Текущее упражнение

Exercise 7: GridSearchCV с Scikit Learn Exercise 8: Анализ результатов поиска по сетке Exercise 9: Использование лучших результатов Exercise 10: Изучение результатов поискового перебора Exercise 11: Анализ наилучших результатов Exercise 12: Использование наилучших результатов

В этой главе вы познакомитесь с ещё одним популярным методом автоматического подбора гиперпараметров — случайным поиском (Random Search). Вы узнаете, что он собой представляет, как работает и чем принципиально отличается от поиска по сетке. Вы изучите преимущества и недостатки этого метода, а также разберётесь, в каких случаях его предпочтительнее использовать. Кроме того, вы попрактикуетесь в проведении случайного поиска с помощью Scikit-Learn и научитесь визуализировать и интерпретировать его результаты.

Exercise 1: Введение в случайный поиск Exercise 2: Случайная выборка гиперпараметров Exercise 3: Случайный поиск с использованием Random Forest Exercise 4: Визуализация случайного поиска Exercise 5: Случайный поиск в Scikit Learn Exercise 6: Параметры RandomSearchCV Exercise 7: Объект RandomizedSearchCV Exercise 8: RandomizedSearchCV в Scikit Learn Exercise 9: Сравнение поиска по сетке и случайного поиска Exercise 10: Сравнение случайного поиска и поиска по сетке Exercise 11: Сравнение методов поиска: сетка и случайный поиск

В заключительной главе вы познакомитесь с более продвинутыми методами подбора гиперпараметров, которые относятся к категории направленного поиска. В их числе — метод «от грубого к точному» (Coarse to Fine), а также байесовские и генетические алгоритмы настройки гиперпараметров. Вы узнаете, чем направленный поиск отличается от ненаправленного, и получите практические навыки работы с каждым из перечисленных методов, сравнивая их между собой.

Exercise 1: Информированный поиск: от грубого к точному Exercise 2: Визуализация подхода «от грубого к точному»Exercise 3: Итерации от грубого к точному Exercise 4: Информированный поиск: байесовская статистика Exercise 5: Правило Байеса на Python Exercise 6: Байесовская настройка гиперпараметров с Hyperopt Exercise 7: Информированный поиск: генетические алгоритмы Exercise 8: Генетическая настройка гиперпараметров с помощью TPOT Exercise 9: Анализ стабильности TPOT Exercise 10: Поздравляем!