SMS spam optimizasyonu

SMS spam modeli için daha önce kurduğun pipeline, içindeki tüm bileşenler için varsayılan parametreleri kullanıyordu. Ancak bu parametrelerin özellikle iyi bir model vermesi pek olası değil. Bu egzersizde pipeline'ı çeşitli parametre değerleriyle çalıştıracaksın. Bunu sistematik bir şekilde yapacağız: her bir hiperparametre için değerler bir ızgarada (grid) düzenlenecek ve pipeline grid üzerindeki her noktada sırayla çalışacak.

Bu egzersizde, SMS spam sınıflandırıcısı için iyi bir parametre kümesi seçmek üzere çapraz doğrulama ile kullanılabilecek bir parametre grid'i kuracaksın.

Aşağıdakiler zaten tanımlı:

hasher — bir HashingTF nesnesi ve
logistic — bir LogisticRegression nesnesi.

Bu egzersiz, kursun bir parçasıdır

PySpark ile Machine Learning

Kursa Göz Atın

Egzersiz talimatları

Bir parametre grid builder nesnesi oluştur.
HashingTF nesnesinin numFeatures ve binary parametreleri için grid noktaları ekle; sırasıyla 1024, 4096 ve 16384 ile True ve False değerlerini ver.
LogisticRegression nesnesinin regParam ve elasticNetParam parametreleri için grid noktaları ekle; sırasıyla 0.01, 0.1, 1.0 ve 10.0 ile 0.0, 0.5 ve 1.0 değerlerini ver.
Parametre grid'ini oluştur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create parameter grid
params = ____()

# Add grid for hashing trick parameters
params = params.____(____, ____) \
               .____(____, ____)

# Add grid for logistic regression parameters
params = params.____(____, ____) \
               .____(____, ____)

# Build parameter grid
params = ____.____()

Kodu Düzenle ve Çalıştır