Utforska resultaten från grid search
Nu ska du utforska egenskapen cv_results_ hos det GridSearchCV-objekt som definierades i videon. Det här är en ordbok som vi kan läsa in i en pandas DataFrame – den innehåller mycket användbar information om den grid search vi just utförde.
En påminnelse om de olika kolumntyperna i den här egenskapen:
time_-kolumnerparam_-kolumner (en för varje hyperparameter) och den enskildaparams-kolumnen (med alla hyperparametervärden)- en
train_score-kolumn för varje cv-fold, inklusive kolumnernamean_train_scoreochstd_train_score - en
test_score-kolumn för varje cv-fold, inklusive kolumnernamean_test_scoreochstd_test_score - en
rank_test_score-kolumn med ett tal från 1 till n (antal iterationer) som rangordnar raderna baserat på derasmean_test_score
Den här övningen är en del av kursen
Hyperparameterjustering i Python
Övningsinstruktioner
- Läs in egenskapen
cv_results_från GridSearchCV-objektetgrid_rf_classi en DataFrame och skriv ut hela innehållet för att inspektera det. - Extrahera och skriv ut den enskilda kolumn som innehåller en ordbok med alla hyperparametrar som användes i varje iteration av grid search.
- Extrahera och skriv ut den rad som hade det bästa medelvärdet för testpoängen genom att indexera med kolumnen
rank_test_score.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Read the cv_results property into a dataframe & print it out
cv_results_df = pd.DataFrame(grid_rf_class.____)
print(____)
# Extract and print the column with a dictionary of hyperparameters used
column = cv_results_df.loc[:, [____]]
print(____)
# Extract and print the row that had the best mean test score
best_row = cv_results_df[cv_results_df[____] == ____ ]
print(best_row)