Kom igångKom igång gratis

Hyperparameterjustering med GridSearchCV

Nu när du har sett hur man utför hyperparameterjustering med rutnätssökning ska du bygga en lasso-regressionsmodell med optimala hyperparametrar för att förutsäga blodsockernivåer med hjälp av särdragen i datamängden diabetes_df.

X_train, X_test, y_train och y_test har förinslästs åt dig. Ett KFold()-objekt har skapats och lagrats som kf, tillsammans med en lasso-regressionsmodell som lasso.

Den här övningen är en del av kursen

Övervakad inlärning med scikit-learn

Visa kurs

Övningsinstruktioner

  • Importera GridSearchCV.
  • Sätt upp ett parameterrutnät för "alpha" med hjälp av np.linspace() för att skapa 20 jämnt fördelade värden från 0.00001 till 1.
  • Anropa GridSearchCV() och skicka med lasso, parameterrutnätet samt sätt cv lika med kf.
  • Anpassa rutnätssökningsobjektet till träningsdatan för att utföra en korsvaliderad rutnätssökning.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Redigera och kör kod