BaşlayınÜcretsiz başlayın

Izgara araması

Hiperparametre ayarlaması, sklearn ile çeşitli giriş parametreleri sağlayarak yapılabilir; her biri numpy'den çeşitli fonksiyonlarla üretilebilir. param_grid ile belirtilen tüm hiperparametre kombinasyonlarını eksiksiz tarayan bir yöntem de grid search’tür. Bu egzersizde, bir örnek random forest sınıflandırıcısının hiperparametrelerini, ROC eğrisinin AUC’sini skor fonksiyonu olarak kullanarak grid search ile inceleyeceksin.

X_train, y_train, X_test, y_test çalışma alanında hazır. pandas pd olarak, numpy np olarak ve sklearn de çalışma alanında mevcut. Ayrıca, sklearn.model_selection içinden GridSearchCV() kullanılabilir.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • n_estimators ve max_depth içindeki her hiperparametre için değer listelerini oluştur.
  • Bir random forest sınıflandırıcısı oluştur.
  • Tüm hiperparametre kombinasyonlarını yineleyecek bir grid search kur.
  • .best_score_ ile en iyi AUC skorunu ve bu skora ulaştıran en iyi tahminciyi .best_estimator_ ile yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create list of hyperparameters 
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}

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