ПочатиПочніть безкоштовно

Аналіз найкращих результатів

Зрештою нас насамперед цікавить найуспішніший «квадрат» у grid search. На щастя, в об'єктів Scikit Learn gridSearchCv є низка параметрів, які надають ключову інформацію лише про найкращий квадрат (або рядок у cv_results_).

Три властивості, які ви дослідите:

  • best_score_ – оцінка (тут ROC_AUC) з найуспішнішого квадрата.
  • best_index_ – індекс рядка в cv_results_, що містить інформацію про найуспішніший квадрат.
  • best_params_ – словник параметрів, які дали найкращу оцінку, наприклад 'max_depth': 10

Об'єкт grid search grid_rf_class доступний.

Датафрейм (cv_results_df) створено з cv_results_ для вас у рядку 6. Це допоможе вам індексувати результати.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Витягніть і виведіть score ROC_AUC для найкращого квадрата в grid_rf_class.
  • Створіть змінну з найуспішнішого рядка, проіндексувавши cv_results_df.
  • Створіть змінну best_n_estimators, діставши параметр n_estimators з найуспішнішого квадрата в grid_rf_class, і виведіть її.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Редагувати та запускати код