ทดลองใช้ GridSearchCV

จากวิดีโอที่ผ่านมา เราเห็นแล้วว่าการเพิ่มค่าไฮเปอร์พารามิเตอร์ gamma ของ RBF kernel จะช่วยเพิ่มความแม่นยำในการฝึก ในแบบฝึกหัดนี้ เราจะค้นหาค่า gamma ที่ให้ความแม่นยำ cross-validation สูงที่สุด โดยใช้ GridSearchCV ของ scikit-learn ชุดข้อมูลตัวเลขลายมือแบบไบนารี ซึ่งใช้ทำนายว่าภาพนั้นเป็นเลข "2" หรือไม่ ถูกโหลดไว้ในตัวแปร X และ y แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Linear Classifiers ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างออบเจกต์ GridSearchCV
เรียกใช้เมธอด fit() เพื่อเลือกค่า gamma ที่ดีที่สุดโดยอิงจากความแม่นยำ cross-validation

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Instantiate an RBF SVM
svm = SVC()

# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)

# Report the best parameters
print("Best CV params", searcher.best_params_)

แก้ไขและรันโค้ด