การใช้ผลลัพธ์ที่ดีที่สุด

ต้องตั้งค่าพารามิเตอร์ใดจึงจะสามารถใช้ property best_estimator_ สำหรับการพยากรณ์ได้โดยตรง?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

SkillTag.level.intermediateSkillTag.label

4.9+

834 reviews

เริ่มคอร์สฟรี

ในบทแนะนำนี้ จะได้เรียนรู้ความแตกต่างระหว่าง hyperparameter และ parameter รวมถึงฝึกดึงข้อมูลและวิเคราะห์ parameter ตลอดจนตั้งค่า hyperparameter สำหรับอัลกอริทึม machine learning ยอดนิยมหลายรูปแบบ นอกจากนี้ยังจะได้เรียนรู้เทคนิคและแนวปฏิบัติที่ดีในการเลือก hyperparameter ที่ควรปรับแต่ง พร้อมสร้าง learning curve เพื่อวิเคราะห์ผลการเลือก hyperparameter ของคุณ

Exercise 1: บทนำและ 'Parameters'Exercise 2: พารามิเตอร์ใน Logistic Regression Exercise 3: การดึงค่าพารามิเตอร์ของ Logistic Regression Exercise 4: การดึง parameter จาก Random Forest Exercise 5: แนะนำ Hyperparameter Exercise 6: Hyperparameter ใน Random Forest Exercise 7: สำรวจ Hyperparameter ของ Random Forest Exercise 8: Hyperparameters ของ KNN Exercise 9: การตั้งค่าและวิเคราะห์ค่า Hyperparameter Exercise 10: การเลือก Hyperparameter แบบอัตโนมัติ Exercise 11: การสร้าง Learning Curves

บทนี้จะแนะนำวิธีการปรับ hyperparameter แบบอัตโนมัติที่ได้รับความนิยม ซึ่งเรียกว่า Grid Search โดยจะได้เรียนรู้ว่ามันคืออะไร ทำงานอย่างไร และฝึกทำ Grid Search โดยใช้ Scikit-Learn จากนั้นจะได้เรียนรู้วิธีวิเคราะห์ผลลัพธ์ที่ได้จาก Grid Search พร้อมฝึกปฏิบัติจริง

Exercise 1: แนะนำ Grid Search Exercise 2: สร้างฟังก์ชัน Grid Search Exercise 3: ปรับแต่งหลาย Hyperparameter แบบวนซ้ำ Exercise 4: จะได้โมเดลกี่โมเดล?Exercise 5: Grid Search ด้วย Scikit Learn Exercise 6: อินพุตของ GridSearchCV Exercise 7: GridSearchCV กับ Scikit Learn Exercise 8: ทำความเข้าใจผลลัพธ์ของ Grid Search Exercise 9: การใช้ผลลัพธ์ที่ดีที่สุด

แบบฝึกหัดปัจจุบัน

Exercise 10: สำรวจผลลัพธ์ของ Grid Search Exercise 11: วิเคราะห์ผลลัพธ์ที่ดีที่สุด Exercise 12: นำผลลัพธ์ที่ดีที่สุดไปใช้งาน

ในบทนี้ จะได้รู้จักกับวิธีการปรับ hyperparameter แบบอัตโนมัติอีกรูปแบบหนึ่งที่ได้รับความนิยม เรียกว่า Random Search โดยจะได้เรียนรู้ว่ามันคืออะไร ทำงานอย่างไร และที่สำคัญคือแตกต่างจาก Grid Search อย่างไร รวมถึงข้อดีและข้อเสียของวิธีนี้ และสถานการณ์ที่ควรเลือกใช้แทน Grid Search จะได้ฝึกทำ Random Search ด้วย Scikit-Learn พร้อมกับการแสดงผลและตีความผลลัพธ์ที่ได้

Exercise 1: แนะนำ Random Search Exercise 2: สุ่มเลือก Hyperparameter Exercise 3: สุ่มค้นหาด้วย Random Forest Exercise 4: การแสดงภาพ Random Search Exercise 5: Random Search ใน Scikit Learn Exercise 6: พารามิเตอร์ของ RandomSearchCV Exercise 7: ออบเจกต์ RandomizedSearchCV Exercise 8: RandomizedSearchCV ใน Scikit Learn Exercise 9: เปรียบเทียบ Grid Search และ Random Search Exercise 10: เปรียบเทียบ Random Search และ Grid Search Exercise 11: เปรียบเทียบ Grid Search และ Random Search แบบเคียงข้างกัน

ในบทสุดท้ายนี้ จะได้สัมผัสกับวิธีการปรับ hyperparameter ขั้นสูงที่เรียกว่า 'informed search' ซึ่งรวมถึงวิธีการ Coarse to Fine รวมถึงอัลกอริทึม Bayesian และอัลกอริทึมเชิงพันธุกรรม (Genetic Algorithms) จะได้เรียนรู้ว่า informed search แตกต่างจาก uninformed search อย่างไร และได้ฝึกทักษะจริงกับแต่ละวิธีที่กล่าวถึง พร้อมเปรียบเทียบข้อดีข้อเสียของแต่ละแนวทางไปพร้อมกัน

Exercise 1: การค้นหาแบบมีข้อมูล: Coarse to Fine Exercise 2: การแสดงผลแบบ Coarse to Fine Exercise 3: การวนซ้ำแบบ Coarse to Fine Exercise 4: การค้นหาแบบมีข้อมูล: สถิติแบบเบย์Exercise 5: กฎของ Bayes ใน Python Exercise 6: การปรับ Hyperparameter แบบ Bayesian ด้วย Hyperopt Exercise 7: การค้นหาแบบมีทิศทาง: Genetic Algorithms Exercise 8: การปรับ Hyperparameter ด้วย Genetic Algorithm โดยใช้ TPOT Exercise 9: วิเคราะห์ความเสถียรของ TPOT Exercise 10: ยินดีด้วย!