Конвейер для прогнозирования популярности песен
В финальном упражнении вы построите конвейер для заполнения пропущенных значений, масштабирования признаков и подбора гиперпараметров модели логистической регрессии. Цель — найти наилучшие параметры и добиться максимальной точности при предсказании жанра песни!
Все необходимые модели и объекты уже загружены заранее.
Это упражнение является частью курса
Обучение с учителем с помощью scikit-learn
Инструкции к упражнению
- Создайте шаги конвейера, вызвав простой импутер, стандартный масштабировщик и модель логистической регрессии.
- Создайте объект конвейера и передайте в него переменную
steps. - Создайте объект поиска по сетке для выполнения кросс-валидации с использованием конвейера и заданных параметров.
- Выведите наилучшие параметры, а также вычислите и выведите значение точности на тестовой выборке для объекта поиска по сетке.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Create steps
steps = [("imp_mean", ____()),
("scaler", ____()),
("logreg", ____())]
# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
"logreg__C": np.linspace(0.001, 1.0, 10)}
# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)
# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))