Variera hyperparametrar
Antalet träningsiterationer och storleken på de dolda lagren är två viktiga hyperparametrar som kan varieras när man arbetar med en MLP-klassificerare. I den här övningen varierar du dem var för sig och undersöker hur prestandan – i form av noggrannhet och AUC för ROC-kurvan – påverkas.
X_train, y_train, X_test, y_test finns tillgängliga i din arbetsyta. Särdragen har redan standardiserats med StandardScaler(). pandas som pd och numpy som np är också tillgängliga i din arbetsyta.
Den här övningen är en del av kursen
Förutsäga CTR med maskininlärning i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
clf = MLPClassifier(hidden_layer_sizes = (4, ),
____ = max_iter, random_state = 0)
# Extract relevant predictions
y_score = clf.fit(____, ____).____(X_test)
y_pred = clf.fit(____, ____).____(X_test)
# Get ROC curve metrics
print("Accuracy for max_iter = %s: %s" %(
max_iter, _____(y_test, ____)))
print("AUC for max_iter = %s: %s" %(
max_iter, ____(y_test, ____[:, 1])))