BaşlayınÜcretsiz Başlayın

Grid search sonuçlarını keşfetme

Şimdi videoda tanımlanan GridSearchCV nesnesinin cv_results_ özelliğini keşfedeceksin. Bu özellik, bir pandas DataFrame'ine okuyabileceğimiz ve az önce gerçekleştirdiğimiz grid search hakkında pek çok yararlı bilgi içeren bir sözlüktür.

Bu özelliğin farklı sütun türlerine kısa bir hatırlatma:

  • time_ sütunları
  • param_ sütunları (her bir hiperparametre için bir tane) ve tüm hiperparametre ayarlarını içeren tekil params sütunu
  • her bir cv katı için train_score sütunu; buna ek olarak mean_train_score ve std_train_score sütunları
  • her bir cv katı için test_score sütunu; buna ek olarak mean_test_score ve std_test_score sütunları
  • satırları mean_test_score değerlerine göre 1'den n'e (iterasyon sayısı) sıralayan bir rank_test_score sütunu

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • grid_rf_class GridSearchCV nesnesinin cv_results_ özelliğini bir veri çerçevesine oku ve incelemek için tamamını yazdır.
  • Grid search’ün her iterasyonunda kullanılan tüm hiperparametrelerin sözlüğünü içeren tekil sütunu ayıkla ve yazdır.
  • rank_test_score sütununu kullanarak indeksleme yoluyla en iyi ortalama test skoruna sahip satırı ayıkla ve yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Read the cv_results property into a dataframe & print it out
cv_results_df = pd.DataFrame(grid_rf_class.____)
print(____)

# Extract and print the column with a dictionary of hyperparameters used
column = cv_results_df.loc[:, [____]]
print(____)

# Extract and print the row that had the best mean test score
best_row = cv_results_df[cv_results_df[____] == ____ ]
print(best_row)
Kodu Düzenle ve Çalıştır