Använda de bästa resultaten

Vilken av följande parametrar måste anges för att kunna använda egenskapen best_estimator_ direkt för förutsägelser?

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Hyperparameterjustering i Python

SkillTag.level.intermediateSkillTag.label

4.9+

834 reviews

Starta kursen gratis

I det här introduktionskapitlet lär du dig skillnaden mellan hyperparametrar och parametrar. Du tränar på att extrahera och analysera parametrar samt att ange hyperparametervärden för flera populära maskininlärningsalgoritmer. På vägen får du tips och råd om vilka hyperparametrar som är värda att justera, vilka värden du bör välja och hur du bygger inlärningskurvor för att analysera dina val.

Exercise 1: Introduktion och parametrar Exercise 2: Parametrar i logistisk regression Exercise 3: Extrahera en parameter från logistisk regression Exercise 4: Extrahera en parameter från en slumpmässig skog Exercise 5: Introduktion till hyperparametrar Exercise 6: Hyperparametrar i Random Forests Exercise 7: Utforska hyperparametrar i Random Forest Exercise 8: Hyperparametrar för KNN Exercise 9: Ange och analysera hyperparametervärden Exercise 10: Automatisera val av hyperparametrar Exercise 11: Bygga inlärningskurvor

Det här kapitlet introducerar en populär metod för automatiserad hyperparameterjustering som kallas Grid Search. Du lär dig vad det är, hur det fungerar och tränar på att genomföra en Grid Search med Scikit-Learn. Sedan lär du dig att analysera resultatet av en Grid Search och får praktisk erfarenhet av det.

Exercise 1: Introduktion till Grid Search Exercise 2: Bygg Grid Search-funktioner Exercise 3: Finjustera flera hyperparametrar iterativt Exercise 4: Hur många modeller?Exercise 5: Grid Search med Scikit Learn Exercise 6: Indata till GridSearchCV Exercise 7: GridSearchCV med Scikit Learn Exercise 8: Förstå resultatet av en grid search Exercise 9: Använda de bästa resultaten

Aktuell övning

Exercise 10: Utforska resultaten från grid search Exercise 11: Analysera de bästa resultaten Exercise 12: Använd de bästa resultaten

I det här kapitlet introduceras en annan populär metod för automatiserad hyperparameterjustering som kallas Random Search. Du lär dig vad det är, hur det fungerar och framför allt hur det skiljer sig från Grid Search. Du lär dig vilka för- och nackdelar metoden har och när du bör välja den framför Grid Search. Du tränar på att genomföra en Random Search med Scikit-Learn samt på att visualisera och tolka resultaten.

Exercise 1: Introduktion till Random Search Exercise 2: Slumpmässigt urval av hyperparametrar Exercise 3: Slumpmässig sökning med Random Forest Exercise 4: Visualisera en slumpmässig sökning Exercise 5: Random Search i Scikit Learn Exercise 6: Indata till RandomSearchCV Exercise 7: Objektet RandomizedSearchCV Exercise 8: RandomSearchCV i Scikit Learn Exercise 9: Jämförelse av Grid Search och Random Search Exercise 10: Jämföra Random Search och Grid Search Exercise 11: Grid Search och Random Search sida vid sida

I det här avslutande kapitlet får du en introduktion till mer avancerade metoder för hyperparameterjustering, samlade under begreppet informerad sökning. Det inkluderar metoden Coarse to Fine samt Bayesianska och genetiska algoritmer för hyperparameterjustering. Du lär dig hur informerad sökning skiljer sig från oinformerad sökning och får praktiska färdigheter inom var och en av dessa metoder, med jämförelser längs vägen.

Exercise 1: Informerad sökning: Grovt till fint Exercise 2: Visualisering av Coarse to Fine Exercise 3: Iterationer från grovt till fint Exercise 4: Informerad sökning: Bayesiansk statistik Exercise 5: Bayes regel i Python Exercise 6: Bayesiansk hyperparameterjustering med Hyperopt Exercise 7: Informerad sökning: Genetiska algoritmer Exercise 8: Genetisk hyperparameterjustering med TPOT Exercise 9: Analysera TPOT:s stabilitet Exercise 10: Grattis!