BaşlayınÜcretsiz başlayın

İlk pipeline’ının üzerinden tekrar!

Aritmi girişiminde aylık değerlendirmen yaklaşıyor ve bunun bir parçası olarak uzman bir Python programcısı kodunu inceleyecek. En iyi uygulamaları izleyerek ortalığı toparlamaya ve özellik seçimi ile random forest sınıflandırmanı bir pipeline ile değiştirmeye karar veriyorsun. Eğitim veri kümesini X_train ve y_train olarak kullanıyorsun ve şu modüller elinde: özellik seçimi için RandomForestClassifier, SelectKBest() ve f_classif(), ayrıca GridSearchCV ve Pipeline.

Bu egzersiz, kursun bir parçasıdır

Python'da Machine Learning İş Akışları Tasarlama

Kursa Göz Atın

Egzersiz talimatları

  • Örnek kodda verilen özellik seçiciyi ve bir random forest sınıflandırıcıyı içeren bir pipeline oluştur. İlk adımı feature_selection olarak adlandır.
  • params içinde iki anahtar-değer çifti ekle: seçicideki özellik sayısı k için 10 ve 20 değerleri; ormandaki n_estimators için ise 2 ve 5 olası değerleri.
  • Verilen pipeline ve parametre ızgarasıyla bir GridSearchCV nesnesi başlat.
  • Nesneyi veriye uydur (fit et) ve en iyi performans gösteren parametre kombinasyonunu yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create pipeline with feature selector and classifier
pipe = ___([
    (___, SelectKBest(f_classif)),
    ('clf', ___(random_state=2))])

# Create a parameter grid
params = {
   'feature_selection__k':___,
    ___:[2, 5]}

# Initialize the grid search object
grid_search = ___(___, ___=params)

# Fit it to the data and print the best value combination
print(grid_search.fit(___, ___).___)
Kodu Düzenle ve Çalıştır