НачатьНачать бесплатно

Подбор гиперпараметров с помощью GridSearchCV

Теперь, когда вы знакомы с подбором гиперпараметров с помощью поиска по сетке, попробуйте построить модель лассо-регрессии с оптимальными гиперпараметрами для предсказания уровня глюкозы в крови по признакам из набора данных diabetes_df.

Данные X_train, X_test, y_train и y_test уже загружены. Объект KFold() создан и сохранён в переменной kf, а модель лассо-регрессии — в переменной lasso.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Импортируйте GridSearchCV.
  • Задайте сетку параметров для "alpha", используя np.linspace() для создания 20 равномерно распределённых значений в диапазоне от 0.00001 до 1.
  • Вызовите GridSearchCV(), передав lasso, сетку параметров и задав cv равным kf.
  • Обучите объект поиска по сетке на обучающих данных, чтобы выполнить кросс-валидированный поиск по сетке.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Редактировать и запускать код