BaşlayınÜcretsiz Başlayın

RandomizedSearchCV Nesnesi

Scikit Learn'deki GridSearchCV kütüphanesinde olduğu gibi, RandomizedSearchCV de rastgele aramayı verimli bir şekilde yürütmene yardımcı olacak birçok kullanışlı özellik sunar. Küçük bir uyarlama yaparak GridSearchCV nesnesinden bir RandomizedSearchCV nesnesi oluşturacaksın.

İstenen seçenekler:

  • Varsayılan Gradient Boosting Classifier tahmincisi
  • 5 katlı çapraz doğrulama
  • Modelleri değerlendirmek için accuracy kullan
  • Paralel işlem için 4 çekirdek kullan
  • En iyi modeli yeniden eğit (refit) ve eğitim skorlarını döndür
  • Rastgele 10 modeli örnekle

Hiperparametre ızgarası learning_rate (0.1 ile 2 arasında 150 değer) ve min_samples_leaf (20 ile 64 arasındaki tüm değerler, sınırlar dahil) için olmalıdır.

Kullanımına hazır X_train ve y_train veri kümeleri mevcut olacak.

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Yukarıdaki bağlamda belirtildiği gibi bir parametre ızgarası oluştur.
  • Bağlamda açıklandığı gibi bir RandomizedSearchCV nesnesi oluştur.
  • RandomizedSearchCV nesnesini eğitim verisine fit et.
  • Modelleme sürecinin her iki hiperparametre için seçtiği değerleri yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
Kodu Düzenle ve Çalıştır