เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การปรับ Hyperparameter ด้วย Genetic Algorithm โดยใช้ TPOT

ในแบบฝึกหัดนี้จะลองใช้ genetic hyperparameter tuning ในตัวอย่างเบื้องต้น TPOT เป็นไลบรารีที่ทรงพลังมากและมีฟีเจอร์หลากหลาย บทเรียนนี้เพิ่งเริ่มสัมผัสพื้นผิวเท่านั้น จึงแนะนำให้ศึกษาเพิ่มเติมด้วยตัวเองในภายหลัง

นี่เป็นตัวอย่างขนาดเล็กมาก ในทางปฏิบัติจริง TPOT ถูกออกแบบมาให้รันหลายชั่วโมงเพื่อค้นหาโมเดลที่ดีที่สุด ซึ่งจะต้องใช้ขนาด population และ offspring ที่ใหญ่กว่านี้มาก รวมถึง generation อีกหลายร้อยรอบ

ในแบบฝึกหัดนี้จะสร้าง estimator จากนั้น fit กับข้อมูล training แล้ว score บนข้อมูล test

สำหรับตัวอย่างนี้ให้ใช้:

  • 3 generations
  • population size เท่ากับ 4
  • offspring 3 ตัวในแต่ละ generation
  • ใช้ accuracy สำหรับการ scoring

กำหนด random_state เป็น 2 เพื่อให้ผลลัพธ์สอดคล้องกัน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดค่าที่ระบุไว้ในบริบทให้กับ input ของ tpot_clf
  • สร้าง classifier tpot_clf โดยใส่ input ที่ถูกต้อง
  • Fit classifier กับข้อมูล training (X_train และ y_train พร้อมใช้งานใน workspace แล้ว)
  • ใช้ classifier ที่ fit แล้วเพื่อ score บนชุดข้อมูล test (X_test และ y_test พร้อมใช้งานใน workspace แล้ว)

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
แก้ไขและรันโค้ด