Використання найкращих результатів

Який із наведених параметрів потрібно встановити, щоб можна було безпосередньо використовувати властивість best_estimator_ для прогнозування?

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

SkillTag.level.intermediateSkillTag.label

4.9+

824 reviews

Почніть курс безкоштовно

У цьому вступному розділі ви дізнаєтеся різницю між гіперпараметрами та параметрами. Ви попрактикуєтеся у вилученні й аналізі параметрів, встановленні значень гіперпараметрів для кількох популярних алгоритмів машинного навчання. Паралельно ви опануєте корисні поради й прийоми щодо вибору гіперпараметрів для тюнінгу, добору значень і побудови кривих навчання для аналізу зроблених виборів.

Exercise 1: Вступ і «параметри»Exercise 2: Параметри в логістичній регресії Exercise 3: Витяг параметра Logistic Regression Exercise 4: Добування параметра Random Forest Exercise 5: Ознайомлення з гіперпараметрами Exercise 6: Гіперпараметри в Random Forest Exercise 7: Дослідження гіперпараметрів Random Forest Exercise 8: Гіперпараметри KNN Exercise 9: Налаштування й аналіз значень гіперпараметрів Exercise 10: Автоматизація вибору гіперпараметрів Exercise 11: Побудова кривих навчання

У цьому розділі ви познайомитеся з популярною методологією автоматизованого тюнінгу гіперпараметрів — Grid Search. Ви дізнаєтеся, що це таке, як це працює, і виконаєте Grid Search у Scikit Learn. Далі ви навчитеся аналізувати результати Grid Search і закріпите це на практиці.

Exercise 1: Знайомство з Grid Search Exercise 2: Створіть функції для Grid Search Exercise 3: Ітеративне налаштування кількох гіперпараметрів Exercise 4: Скільки моделей?Exercise 5: Grid Search у Scikit Learn Exercise 6: Вхідні дані для GridSearchCV Exercise 7: GridSearchCV у Scikit Learn Exercise 8: Розуміння результатів grid search Exercise 9: Використання найкращих результатів

Поточна вправа

Exercise 10: Дослідження результатів grid search Exercise 11: Аналіз найкращих результатів Exercise 12: Використання найкращих результатів

У цьому розділі ви познайомитеся з іншою популярною методологією автоматизованого тюнінгу гіперпараметрів — Random Search. Ви дізнаєтеся, що це таке, як це працює і, що важливо, чим воно відрізняється від grid search. Ви розглянете переваги й недоліки методу та коли варто обирати його замість Grid Search. Ви виконаєте Random Search у Scikit Learn, а також візуалізуєте й інтерпретуєте отримані результати.

Exercise 1: Вступ до Random Search Exercise 2: Випадкове вибіркове задання гіперпараметрів Exercise 3: Випадковий пошук із Random Forest Exercise 4: Візуалізація Random Search Exercise 5: Random Search у Scikit Learn Exercise 6: Вхідні параметри RandomSearchCV Exercise 7: Об'єкт RandomizedSearchCV Exercise 8: RandomizedSearchCV у Scikit Learn Exercise 9: Порівняння Grid Search і Random Search Exercise 10: Порівняння Random Search і Grid Search Exercise 11: Grid і Random Search пліч-о-пліч

У фінальному розділі ви отримаєте уявлення про більш просунуті методи тюнінгу гіперпараметрів, відомі як «informed search». Сюди входить підхід Coarse To Fine, а також байєсівські та генетичні алгоритми тюнінгу. Ви дізнаєтеся, чим informed search відрізняється від uninformed search, і отримаєте практичні навички з кожною з означених методологій, порівнюючи та зіставляючи їх у процесі.

Exercise 1: Informed Search: від грубого до детального Exercise 2: Візуалізація Coarse to Fine Exercise 3: Ітерації «від грубого до точного»Exercise 4: Informed Search: Байєсівська статистика Exercise 5: Правило Байєса в Python Exercise 6: Баєсівське налаштування гіперпараметрів із Hyperopt Exercise 7: Інформований пошук: генетичні алгоритми Exercise 8: Генетичне налаштування гіперпараметрів із TPOT Exercise 9: Аналіз стабільності TPOT Exercise 10: Вітаємо!