เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สร้างฟังก์ชัน Grid Search

ในงานด้าน data science การลองสร้างอัลกอริทึม โมเดล และกระบวนการ "ตั้งแต่ต้น" ถือเป็นแนวทางที่ดีมาก เพราะจะช่วยให้เข้าใจการทำงานในระดับที่ลึกขึ้น แน่นอนว่ามีแพ็กเกจและไลบรารีที่ยอดเยี่ยมรองรับงานเหล่านี้ (และเราจะได้ใช้งานในอีกไม่นาน!) แต่การสร้างเองตั้งแต่ต้นจะช่วยเสริมความเข้าใจในงาน data science ได้อย่างมาก

ในแบบฝึกหัดนี้ จะได้สร้างฟังก์ชันที่รับไฮเปอร์พารามิเตอร์ 2 ตัว สร้างโมเดล และคืนค่าผลลัพธ์ แล้วจะนำฟังก์ชันนี้ไปใช้ในแบบฝึกหัดถัดไป

ชุดข้อมูล X_train, X_test, y_train และ y_test ถูกเตรียมไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างฟังก์ชันที่รับพารามิเตอร์สองตัวชื่อ learning_rate และ max_depth สำหรับ learning rate และความลึกสูงสุด
  • เพิ่มความสามารถในฟังก์ชันให้สร้างโมเดล GBM และ fit กับข้อมูลโดยใช้ไฮเปอร์พารามิเตอร์ที่ป้อนเข้ามา
  • กำหนดให้ฟังก์ชัน return ผลลัพธ์ของโมเดล พร้อมกับค่าไฮเปอร์พารามิเตอร์ที่เลือก (learning_rate และ max_depth)

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
แก้ไขและรันโค้ด