Finjustera gamma och C tillsammans med GridSearchCV

I föregående övning var det bästa värdet för gamma 0,001 med standardvärdet för C, som är 1. I den här övningen söker du efter den bästa kombinationen av C och gamma med hjälp av GridSearchCV.

Precis som i föregående övning är sifferdatamängden för 2-mot-inte-2 redan inläst, men den här gången är den uppdelad i variablerna X_train, y_train, X_test och y_test. Även om korsvalidering redan delar upp träningsuppsättningen i delar är det ofta klokt att hålla undan en separat testuppsättning för att kontrollera att korsvalideringsresultaten är rimliga.

Den här övningen är en del av kursen

Linjära klassificerare i Python

Visa kurs

Övningsinstruktioner

Kör GridSearchCV för att hitta de bästa hyperparametrarna med hjälp av träningsuppsättningen.
Skriv ut de bästa parametervärdena.
Skriv ut noggrannheten på testuppsättningen, som inte användes under korsvalideringsproceduren.

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 = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)

# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)

# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))

Redigera och kör kod