Kom igångKom igång gratis

Bygg Grid Search-funktioner

Inom datavetenskap är det värdefullt att försöka bygga algoritmer, modeller och processer från grunden – det ger en djupare förståelse för hur allt hänger ihop. Det finns förstås utmärkta paket och bibliotek för detta (och vi kommer snart till dem!), men att bygga från grunden ger dig en solid grund i ditt datavetenskapsarbete.

I den här övningen skapar du en funktion som tar emot 2 hyperparametrar, bygger modeller och returnerar resultat. Du kommer att använda den här funktionen i en kommande övning.

Datamängderna X_train, X_test, y_train och y_test finns tillgängliga.

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Övningsinstruktioner

  • Bygg en funktion som tar emot två parametrar, learning_rate och max_depth, för inlärningshastighet respektive maximalt djup.
  • Lägg till funktionalitet i funktionen för att bygga en GBM-modell och träna den på data med de angivna hyperparametrarna.
  • Låt funktionen returnera modellens resultat samt de valda hyperparametrarna (learning_rate och max_depth).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Redigera och kör kod