เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

MLP Grid Search

การปรับจูน Hyperparameter สามารถทำได้ผ่าน sklearn โดยระบุพารามิเตอร์อินพุตหลายค่า ซึ่งแต่ละค่าสามารถเข้ารหัสได้ด้วยฟังก์ชันต่าง ๆ จาก numpy วิธีการหนึ่งที่ใช้คือ Grid Search ซึ่งจะตรวจสอบทุกการผสมผสานของ Hyperparameter อินพุตที่ระบุผ่าน param_grid อย่างละเอียด ในแบบฝึกหัดนี้ คุณจะใช้ Grid Search เพื่อค้นหา Hyperparameter ที่เหมาะสมสำหรับ MLP classifier

X_train, y_train, X_test, y_test พร้อมใช้งานใน workspace ของคุณ และฟีเจอร์ได้รับการ standardize แล้ว นอกจากนี้ยังมี pandas ในชื่อ pd และ numpy ในชื่อ np ใน workspace ด้วย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างลิสต์ค่า [10, 20] สำหรับ max_iter และลิสต์ค่า [(8, ), (16, )] สำหรับ hidden_layer_sizes
  • ตั้งค่า Grid Search โดยกำหนด n_jobs เป็น 4 เพื่อวนซ้ำทุกการผสมผสานของ Hyperparameter
  • แสดงผลคะแนน AUC ที่ดีที่สุด และ estimator ที่ดีที่สุดที่ได้คะแนนนั้น

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
แก้ไขและรันโค้ด