Разминка с GridSearchCV
В видео мы убедились, что увеличение гиперпараметра gamma ядра RBF повышает точность на обучающей выборке. В этом упражнении вы будете искать значение gamma, которое максимизирует точность при кросс-валидации, используя GridSearchCV из scikit-learn. Бинарная версия набора данных рукописных цифр, в которой нужно предсказать, является ли изображение цифрой «2», уже загружена в переменные X и y.
Это упражнение является частью курса
Линейные классификаторы в Python
Инструкции к упражнению
- Создайте объект
GridSearchCV. - Вызовите метод
fit(), чтобы выбрать оптимальное значениеgammaна основе точности при кросс-валидации.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)