เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การปรับ Hyperparameter ด้วย GridSearchCV

หลังจากที่ได้เรียนรู้วิธีทำ grid search hyperparameter tuning แล้ว คราวนี้จะได้สร้างโมเดล lasso regression ที่มี hyperparameter ที่เหมาะสมที่สุด เพื่อทำนายระดับน้ำตาลในเลือดโดยใช้ฟีเจอร์ในชุดข้อมูล diabetes_df

X_train, X_test, y_train, และ y_test ถูกโหลดไว้ให้แล้ว รวมถึงออบเจ็กต์ KFold() ที่เก็บไว้ในตัวแปร kf และโมเดล lasso regression ในตัวแปร lasso

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า GridSearchCV
  • กำหนด parameter grid สำหรับ "alpha" โดยใช้ np.linspace() เพื่อสร้างค่า 20 ค่าที่เว้นระยะเท่ากัน ตั้งแต่ 0.00001 ถึง 1
  • เรียกใช้ GridSearchCV() โดยส่ง lasso, parameter grid และกำหนด cv ให้เท่ากับ kf
  • Fit ออบเจ็กต์ grid search กับข้อมูล training เพื่อทำ cross-validated grid search

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
แก้ไขและรันโค้ด