Генетическая настройка гиперпараметров с помощью TPOT
В этом упражнении вы выполните простой пример генетической настройки гиперпараметров. TPOT — мощная библиотека с широкими возможностями. Здесь вы лишь знакомитесь с её основами, однако настоятельно рекомендуем изучить её подробнее самостоятельно.
Это совсем небольшой пример. На практике TPOT предназначен для многочасовой работы, чтобы найти наилучшую модель. В реальных задачах размер популяции и число потомков были бы значительно больше, а количество поколений — в сотни раз выше.
Вам предстоит создать оценщик, обучить его на тренировочных данных, а затем оценить качество на тестовых данных.
Для этого примера используйте следующие параметры:
- 3 поколения
- размер популяции — 4
- 3 потомка в каждом поколении
- метрика оценки — accuracy
Для воспроизводимости результатов задан random_state равный 2.
Это упражнение является частью курса
Подбор гиперпараметров в Python
Инструкции к упражнению
- Задайте значения, указанные в условии задачи, в качестве входных параметров для
tpot_clf. - Создайте классификатор
tpot_clfс правильными входными параметрами. - Обучите классификатор на тренировочных данных (переменные
X_trainиy_trainдоступны в вашем рабочем пространстве). - Используйте обученный классификатор, чтобы оценить качество на тестовой выборке (переменные
X_testиy_testдоступны в вашем рабочем пространстве).
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
offspring_size=____, scoring=____,
verbosity=2, random_state=2, cv=2)
# Fit the classifier to the training data
____.____(____, ____)
# Score on the test set
print(____.____(____, ____))