ПочатиПочніть безкоштовно

Ваш перший конвеєр — знову!

Повернімося до стартапу з аритмії: наближається щомісячний огляд, і частиною цього буде рев'ю вашого коду експертним Python-розробником. Ви вирішуєте навести лад, дотримуючись найкращих практик, і замінити свій скрипт відбору ознак і класифікації випадковим лісом на конвеєр (pipeline). Ви використовуєте тренувальний набір даних X_train і y_train, а також кілька модулів: RandomForestClassifier, SelectKBest() та f_classif() для відбору ознак, а також GridSearchCV і Pipeline.

Ця вправа є частиною курсу

Проєктування робочих процесів машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Створіть конвеєр з вибірником ознак, наданим у зразку коду, та класифікатором випадкового лісу. Назвіть перший крок feature_selection.
  • Додайте дві пари ключ–значення в params: одну для кількості ознак k у вибірнику зі значеннями 10 і 20, і одну для n_estimators у лісі з можливими значеннями 2 і 5.
  • Ініціалізуйте об'єкт GridSearchCV із заданим конвеєром і сіткою параметрів.
  • Навчіть об'єкт на даних і виведіть найкращу комбінацію параметрів.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create pipeline with feature selector and classifier
pipe = ___([
    (___, SelectKBest(f_classif)),
    ('clf', ___(random_state=2))])

# Create a parameter grid
params = {
   'feature_selection__k':___,
    ___:[2, 5]}

# Initialize the grid search object
grid_search = ___(___, ___=params)

# Fit it to the data and print the best value combination
print(grid_search.fit(___, ___).___)
Редагувати та запускати код