Параметры в логистической регрессии

Теперь, когда вы разобрались, что такое параметр, давайте применим эти знания на практике. Важно уметь анализировать любой новый алгоритм и определять, какие элементы являются параметрами, а какие — гиперпараметрами.

Какой из перечисленных элементов является параметром модели логистической регрессии из Scikit Learn? Речь идёт о концептуальном понимании на основе теории, рассмотренной в этом курсе. НЕ о том, что документация Scikit Learn называет параметром или атрибутом.

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

Текущее упражнение

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 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!