ПочатиПочніть безкоштовно

Створіть функції для Grid Search

У дата-сайєнсі корисно інколи будувати алгоритми, моделі та процеси «з нуля», щоб краще зрозуміти, що відбувається на глибшому рівні. Звісно, для цього є чудові пакети та бібліотеки (і ми дуже скоро до них дійдемо!), але побудова «з нуля» дасть вам вагому перевагу у вашій роботі з даними.

У цій вправі ви створите функцію, яка приймає 2 гіперпараметри, будує моделі та повертає результати. Ви використаєте цю функцію в одній із наступних вправ.

У вашому розпорядженні будуть набори даних X_train, X_test, y_train і y_test.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Створіть функцію, яка приймає два параметри — learning_rate та max_depth — для швидкості навчання та максимальної глибини.
  • Додайте у функцію можливість побудувати модель GBM і натренувати її на даних із переданими гіперпараметрами.
  • Зробіть так, щоб функція повертала результати цієї моделі та вибрані гіперпараметри (learning_rate і max_depth).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Редагувати та запускати код