GridSearchCV – uppvärmning
I videon såg vi att ett ökat värde på RBF-kärnans hyperparameter gamma höjer träningsnoggrannheten. I den här övningen söker vi efter det värde på gamma som maximerar korsvalideringsnoggrannheten med hjälp av scikit-learns GridSearchCV. En binär version av datasetet med handskrivna siffror – där uppgiften är att avgöra om en bild föreställer en "2" eller inte – är redan inläst i variablerna X och y.
Den här övningen är en del av kursen
Linjära klassificerare i Python
Övningsinstruktioner
- Skapa ett
GridSearchCV-objekt. - Anropa metoden
fit()för att välja det bästa värdet pågammabaserat på korsvalideringsnoggrannhet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)