НачатьНачать бесплатно

Поиск по сетке для MLP

Подбор гиперпараметров в sklearn выполняется путём перебора различных входных значений, каждое из которых можно задать с помощью функций из numpy. Один из методов подбора — поиск по сетке: он перебирает все комбинации гиперпараметров, указанных через param_grid. В этом упражнении вы воспользуетесь поиском по сетке для подбора гиперпараметров классификатора MLP.

В вашем рабочем пространстве доступны X_train, y_train, X_test, y_test, признаки уже стандартизированы. Также доступны pandas как pd и numpy как np.

Это упражнение является частью курса

Прогнозирование CTR с помощью машинного обучения на Python

Посмотреть курс

Инструкции к упражнению

  • Создайте список значений [10, 20] для max_iter и список значений [(8, ), (16, )] для hidden_layer_sizes.
  • Настройте поиск по сетке с 4 задачами через n_jobs, чтобы перебрать все комбинации гиперпараметров.
  • Выведите на экран наилучшее значение AUC и модель, которая его обеспечила.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Редактировать и запускать код