Optimerad SMS-skräppostklassificerare

Den pipeline du byggde tidigare för SMS-skräppostmodellen använde standardparametrar för alla element i pipelinen. Det är dock osannolikt att dessa parametrar ger en särskilt bra modell. I den här övningen ska du köra pipelinen för ett urval av parametervärden. Vi gör detta på ett systematiskt sätt: värdena för varje hyperparameter läggs ut i ett rutnät, och pipelinen körs sedan systematiskt genom varje punkt i rutnätet.

I den här övningen skapar du ett parameterrutnät som kan användas tillsammans med korsvalidering för att välja en bra uppsättning parametrar till SMS-skräppostklassificeraren.

Följande är redan definierade:

hasher — ett HashingTF-objekt, och
logistic — ett LogisticRegression-objekt.

Den här övningen är en del av kursen

Maskininlärning med PySpark

Visa kurs

Övningsinstruktioner

Skapa ett objekt av typen parameterrutnätsbyggare.
Lägg till rutnätspunkter för parametrarna numFeatures och binary i HashingTF-objektet med värdena 1024, 4096 och 16384 respektive True och False.
Lägg till rutnätspunkter för parametrarna regParam och elasticNetParam i LogisticRegression-objektet med värdena 0,01, 0,1, 1,0 och 10,0 respektive 0,0, 0,5 och 1,0.
Bygg parameterrutnätet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create parameter grid
params = ____()

# Add grid for hashing trick parameters
params = params.____(____, ____) \
               .____(____, ____)

# Add grid for logistic regression parameters
params = params.____(____, ____) \
               .____(____, ____)

# Build parameter grid
params = ____.____()

Redigera och kör kod