BaşlayınÜcretsiz Başlayın

Grid Search fonksiyonları oluştur

Veri biliminde, algoritmaları, modelleri ve süreçleri derinlemesine anlamak için bunları 'sıfırdan' kurmayı denemek harika bir fikirdir. Elbette bu işler için harika paketler ve kütüphaneler var (ve çok yakında onlara geçeceğiz!) ama sıfırdan kurmak, veri bilimi çalışmalarında sana büyük bir avantaj sağlar.

Bu egzersizde, 2 hiperparametre alan, modeller kuran ve sonuçları döndüren bir fonksiyon oluşturacaksın. Bu fonksiyonu ilerideki bir egzersizde kullanacaksın.

X_train, X_test, y_train ve y_test veri kümeleri elinin altında olacak.

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Öğrenme oranı ve maksimum derinlik için learning_rate ve max_depth adlı iki parametre alan bir fonksiyon yaz.
  • Fonksiyona, bir GBM modeli kurup giriş hiperparametreleriyle veriye uydurma yeteneği ekle.
  • Fonksiyon, modelin sonuçlarını ve seçilen hiperparametreleri (learning_rate ve max_depth) döndürsün.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Kodu Düzenle ve Çalıştır