BaşlayınÜcretsiz başlayın

Hiperparametreleri değiştirme

Eğitim iterasyon sayısı ve gizli katmanların boyutu, bir MLP sınıflandırıcıyla çalışırken değiştirilebilen iki temel hiperparametredir. Bu egzersizde, her ikisini de ayrı ayrı değiştirecek ve doğruluk (accuracy) ile ROC eğrisinin AUC değeri açısından performansın nasıl değişebileceğine bakacaksın.

X_train, y_train, X_test, y_test çalışma alanında hazır. Özellikler zaten StandardScaler() kullanılarak standartlaştırıldı. pandas pd olarak, numpy ise np olarak çalışma alanında mevcut.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Kodu Düzenle ve Çalıştır