BaşlayınÜcretsiz başlayın

En iyi sonuçları analiz etme

Günün sonunda, bir grid search içindeki en iyi performans gösteren 'kare' ile ilgileniyoruz. Neyse ki Scikit Learn'ün gridSearchCv nesnelerinde yalnızca en iyi kareye (veya cv_results_ içindeki satıra) dair önemli bilgileri veren birkaç parametre var.

İnceleyeceğin üç özellik:

  • best_score_ – En iyi performans gösteren karenin skoru (burada ROC_AUC).
  • best_index_ – En iyi performans gösteren kareye ait bilgileri içeren cv_results_ içindeki satırın indeksi.
  • best_params_ – En iyi skoru veren parametrelerin sözlüğü; örneğin 'max_depth': 10

grid_rf_class adlı grid search nesnesi hazır durumda.

Senin için satır 6'da cv_results_'dan oluşturulmuş bir dataframe (cv_results_df) var. Bu, sonuçlarda indeksleme yapmana yardımcı olacak.

Bu egzersiz, kursun bir parçasıdır

Python'da Hiperparametre Ayarlama

Kursa Göz Atın

Egzersiz talimatları

  • grid_rf_class içindeki en iyi performans gösteren kareden ROC_AUC skorunu çıkar ve yazdır.
  • cv_results_df içinde indeksleme yaparak en iyi performans gösteren satırdan bir değişken oluştur.
  • grid_rf_class içindeki en iyi performans gösteren kareden n_estimators parametresini çıkararak best_n_estimators adlı bir değişken oluştur ve yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Kodu Düzenle ve Çalıştır