Pipeline för att förutsäga låtpopularitet
I den sista övningen bygger du en pipeline som imputerar saknade värden, skalar särdrag och utför hyperparameterjustering av en logistisk regressionsmodell. Målet är att hitta de bästa parametrarna och den högsta noggrannheten vid förutsägelse av låtgenre!
Alla modeller och objekt som behövs för att bygga pipelinen är förinlästa åt dig.
Den här övningen är en del av kursen
Övervakad inlärning med scikit-learn
Övningsinstruktioner
- Skapa stegen för pipelinen genom att anropa en enkel imputer, en standardskalare och en logistisk regressionsmodell.
- Skapa ett pipeline-objekt och skicka in variabeln
steps. - Instansiera ett grid search-objekt för att utföra korsvalidering med hjälp av pipelinen och parametrarna.
- Skriv ut de bästa parametrarna och beräkna och skriv ut noggrannhetspoängen för testmängden för grid search-objektet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create steps
steps = [("imp_mean", ____()),
("scaler", ____()),
("logreg", ____())]
# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
"logreg__C": np.linspace(0.001, 1.0, 10)}
# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)
# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))