En iyi çıktıları kullanma

Aşağıdaki hangi parametre, tahminlerde doğrudan best_estimator_ özelliğini kullanabilmek için ayarlanmış olmalıdır?

Bu egzersiz, kursun bir parçasıdır

Python'da Hiperparametre Ayarlama

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python'da Hiperparametre Ayarlama

IntermediárioNível de habilidade

4.9+

789 reviews

Kursa Ücretsiz Başla

Bu giriş bölümünde hiperparametreler ile parametreler arasındaki farkı öğreneceksin. Parametreleri çıkarmayı ve analiz etmeyi, birkaç popüler Machine Learning algoritması için hiperparametre değerlerini ayarlamayı pratik edeceksin. Bu süreçte, hangi hiperparametreleri ayarlayacağına ve hangi değerleri seçeceğine dair en iyi uygulama ipuçları ve püf noktalarını öğrenecek, seçimlerini analiz etmek için öğrenme eğrileri oluşturacaksın.

Exercise 1: Giriş ve 'Parametreler'Exercise 2: Lojistik Regresyonda Parametreler Exercise 3: Lojistik Regresyon parametresi çıkarma Exercise 4: Random Forest bir parametreyi çıkarmak Exercise 5: Hiperparametrelere Giriş Exercise 6: Random Forest'larda Hiperparametreler Exercise 7: Random Forest Hiperparametrelerini Keşfetme Exercise 8: KNN'nin Hiperparametreleri Exercise 9: Hiperparametre Değerlerini Ayarlama ve Analiz Etme Exercise 10: Hiperparametre Seçimini Otomatikleştirme Exercise 11: Öğrenme Eğrileri Oluşturma

Bu bölümde, Grid Search adı verilen popüler bir otomatik hiperparametre ayarlama yöntemiyle tanışacaksın. Ne olduğunu, nasıl çalıştığını öğrenecek ve Scikit Learn kullanarak bir Grid Search uygulamayı pratik edeceksin. Ardından bir Grid Search çıktısını nasıl analiz edeceğini öğrenecek ve bununla ilgili pratik deneyim kazanacaksın.

Exercise 1: Grid Search’e Giriş Exercise 2: Grid Search fonksiyonları oluştur Exercise 3: Birden çok hiperparametreyi yinelemeli olarak ayarla Exercise 4: Kaç Model?Exercise 5: Scikit Learn ile Grid Search Exercise 6: GridSearchCV girdileri Exercise 7: Scikit Learn ile GridSearchCV Exercise 8: Grid search çıktısını anlama Exercise 9: En iyi çıktıları kullanma

Geçerli egzersiz

Exercise 10: Grid search sonuçlarını keşfetme Exercise 11: En iyi sonuçları analiz etme Exercise 12: En iyi sonuçları kullanma

Bu bölümde Random Search adı verilen bir diğer popüler otomatik hiperparametre ayarlama yöntemiyle tanışacaksın. Ne olduğunu, nasıl çalıştığını ve özellikle grid search'ten nasıl farklılaştığını öğreneceksin. Bu yöntemin bazı avantaj ve dezavantajlarını, ayrıca Grid Search'e kıyasla ne zaman tercih edileceğini göreceksin. Scikit Learn ile bir Random Search uygulamayı; ayrıca çıktıyı görselleştirmeyi ve yorumlamayı pratik edeceksin.

Exercise 1: Random Search’e Giriş Exercise 2: Hiperparametreleri Rastgele Örnekle Exercise 3: Random Forest ile Rastgele Arama Exercise 4: Random Search’ü Görselleştirme Exercise 5: Scikit Learn'de Random Search Exercise 6: RandomSearchCV girdileri Exercise 7: RandomizedSearchCV Nesnesi Exercise 8: Scikit Learn'de RandomSearchCV Exercise 9: Grid Search ve Random Search Karşılaştırması Exercise 10: Rastgele Arama ve Izgara Aramasını Karşılaştırma Exercise 11: Grid ve Random Search Yan Yana

Bu son bölümde, "bilgili arama" olarak bilinen daha gelişmiş hiperparametre ayarlama yöntemlerinden bir tadım alacaksın. Buna Coarse To Fine olarak bilinen bir yöntem ile Bayesian ve Genetik hiperparametre ayarlama algoritmaları dahildir. Bilgili aramanın bilgisiz aramadan nasıl farklılaştığını öğrenecek ve belirtilen her bir yöntemle pratik beceriler kazanarak ilerlerken bunları karşılaştırıp değerlendireceksin.

Exercise 1: Bilgili Arama: Kabadan İnceye Exercise 2: Coarse to Fine'ı Görselleştirme Exercise 3: Kalından İnceye Yinelemeler Exercise 4: Bilgili Arama: Bayesçi İstatistik Exercise 5: Python'da Bayes Kuralı Exercise 6: Hyperopt ile Bayesian hiperparametre ayarlama Exercise 7: Bilgili Arama: Genetik Algoritmalar Exercise 8: TPOT ile Genetik Hiperparametre Ayarlama Exercise 9: TPOT'un kararlılığını analiz etme Exercise 10: Tebrikler!