BaşlayınÜcretsiz Başlayın

Hiperparametre Seçimini Otomatikleştirme

Yüzlerce model için yüzlerce satır kod yazmadan ilgilendiğin en iyi hiperparametreyi bulmak, gelecekteki Machine Learning model kurulumunda sana büyük verimlilik kazandırır.

GBM algoritması için önemli hiperparametrelerden biri öğrenme oranıdır. Peki bu problem için en iyi öğrenme oranı hangisi? Bir döngü yazarak çeşitli olasılıkları tarayıp bunları bir araya getirerek ve inceleyerek en iyisini bulabilirsin.

Denemek için olası öğrenme oranları: 0.001, 0.01, 0.05, 0.1, 0.2 ve 0.5

X_train, X_test, y_train ve y_test veri kümeleri hazır olacak ve GradientBoostingClassifier senin için içe aktarılmış durumda.

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Öğrenme oranları için bir learning_rates listesi ve tahminlerinin doğruluk puanını tutmak için bir results_list oluştur.
  • Belirtilen her öğrenme oranı için bir GBM modeli oluşturup her model için tahmin üreten bir döngü yaz.
  • Öğrenme oranını ve doğruluk puanını results_list içine kaydet.
  • Sonuç listesini bir DataFrame’e çevir ve yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Set the learning rates & results storage
learning_rates = ____
results_list = ____

# Create the for loop to evaluate model predictions for each learning rate
for learning_rate in ____:
    model = ____(learning_rate=____)
    predictions = ____.fit(____, ____).predict(____)
    # Save the learning rate and accuracy score
    results_list.append([____, accuracy_score(y_test, ____)])

# Gather everything into a DataFrame
results_df = pd.DataFrame(____, columns=['learning_rate', 'accuracy'])
print(results_df)
Kodu Düzenle ve Çalıştır