เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การปรับ Hyperparameter

จำนวนรอบการเทรนและขนาดของ hidden layer คือ hyperparameter หลัก 2 ตัวที่สามารถปรับได้เมื่อทำงานกับ MLP classifier ในแบบฝึกหัดนี้ จะได้ลองปรับทั้งสองตัวแยกกัน และสังเกตว่าประสิทธิภาพในแง่ของ accuracy และ AUC ของ ROC curve เปลี่ยนแปลงอย่างไร

X_train, y_train, X_test, y_test พร้อมใช้งานใน workspace แล้ว โดย features ถูก standardize ด้วย StandardScaler() เรียบร้อยแล้ว นอกจากนี้ยังมี pandas ในชื่อ pd และ numpy ในชื่อ np ให้ใช้งานด้วย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
แก้ไขและรันโค้ด