Kom igångKom igång gratis

Grid Search för MLP

Hyperparameterjustering kan göras med sklearn genom att ange olika indataparametrar, som var och en kan kodas med olika funktioner från numpy. En metod för justering är grid search, som systematiskt går igenom alla kombinationer av de indatahyperparametrar som anges via param_grid. I den här övningen använder du grid search för att söka igenom hyperparametrarna för en MLP-klassificerare.

X_train, y_train, X_test och y_test finns tillgängliga i din arbetsyta, och särdragen har redan standardiserats. pandas som pd och numpy som np finns också tillgängliga i din arbetsyta.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Skapa listan med värden [10, 20] för max_iter och en lista med värden [(8, ), (16, )] för hidden_layer_sizes.
  • Konfigurera en grid search med 4 jobb via n_jobs för att iterera över alla hyperparameterkombinationer.
  • Skriv ut det bästa AUC-värdet och den bästa estimator som ledde till detta värde.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Redigera och kör kod