НачатьНачать бесплатно

Изменение гиперпараметров

Количество итераций обучения и размер скрытых слоёв — два ключевых гиперпараметра, которые можно варьировать при работе с классификатором MLP. В этом упражнении вы будете изменять каждый из них по отдельности и наблюдать, как это влияет на точность и площадь под ROC-кривой (AUC).

X_train, y_train, X_test, y_test доступны в вашем рабочем пространстве. Признаки уже стандартизированы с помощью StandardScaler(). Библиотеки pandas (как pd) и numpy (как np) также доступны в вашем рабочем пространстве.

Это упражнение является частью курса

Прогнозирование CTR с помощью машинного обучения на Python

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Редактировать и запускать код