Kom igångKom igång gratis

Grid search

Hyperparameterjustering kan utföras med sklearn genom att ange olika indataparametrar, som var och en kan kodas med funktioner från numpy. En metod för justering är grid search, som systematiskt går igenom alla kombinationer av indatahyperparametrar som anges via param_grid. I den här övningen använder du grid search för att undersöka hyperparametrarna för en enkel slumpskogsklassificerare, med AUC för ROC-kurvan som poängfunktion.

X_train, y_train, X_test och y_test finns tillgängliga i din arbetsyta. pandas som pd, numpy som np och sklearn är också tillgängliga. Dessutom är GridSearchCV() från sklearn.model_selection tillgänglig.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Skapa listan med värden för varje hyperparameter i n_estimators och max_depth.
  • Skapa en slumpskogsklassificerare.
  • Ställ in ett grid search för att iterera över alla hyperparameterkombinationer.
  • Skriv ut det bästa AUC-värdet med .best_score_ och den bästa estimatorn som ledde till detta värde med .best_estimator_.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create list of hyperparameters 
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}

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