BaşlayınÜcretsiz başlayın

MLP Grid Search

Hiperparametre ayarı, her biri numpy içindeki çeşitli işlevlerle kodlanabilen farklı girdi parametreleri sağlayarak sklearn ile yapılabilir. Bu yöntemlerden biri olan grid search, param_grid aracılığıyla belirtilen tüm hiperparametre kombinasyonlarını kapsamlı bir şekilde dener. Bu egzersizde, bir MLP sınıflandırıcısı için hiperparametreleri taramak üzere grid search kullanacaksın.

X_train, y_train, X_test, y_test çalışma alanında mevcut ve özellikler çoktan standartlaştırıldı. Ayrıca 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

Egzersiz talimatları

  • max_iter için [10, 20] değer listesini ve hidden_layer_sizes için [(8, ), (16, )] değer listesini oluştur.
  • Tüm hiperparametre kombinasyonlarını yinelemek için n_jobs kullanarak 4 iş ile bir grid search kur.
  • En iyi AUC skorunu ve bu skora ulaşan en iyi tahminciyi yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Kodu Düzenle ve Çalıştır