Kom igångKom igång gratis

Analysera de bästa resultaten

I slutändan bryr vi oss framför allt om den bäst presterande "rutan" i en grid search. Som tur är har Scikit Learns gridSearchCv-objekt ett antal parametrar som ger nyckelinformation om just den bästa rutan (eller raden i cv_results_).

Tre egenskaper du kommer att utforska är:

  • best_score_ – Poängen (här ROC_AUC) från den bäst presterande rutan.
  • best_index_ – Indexet för raden i cv_results_ som innehåller information om den bäst presterande rutan.
  • best_params_ – En ordlista med de parametrar som gav bäst poäng, till exempel 'max_depth': 10

Grid search-objektet grid_rf_class är tillgängligt.

En dataframe (cv_results_df) har skapats från cv_results_ åt dig på rad 6. Den hjälper dig att indexera i resultaten.

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Övningsinstruktioner

  • Extrahera och skriv ut ROC_AUC-poängen från den bäst presterande rutan i grid_rf_class.
  • Skapa en variabel från den bäst presterande raden genom att indexera i cv_results_df.
  • Skapa en variabel, best_n_estimators, genom att extrahera parametern n_estimators från den bäst presterande rutan i grid_rf_class, och skriv ut den.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Redigera och kör kod