ПочатиПочніть безкоштовно

Генетичне налаштування гіперпараметрів із TPOT

Ви виконаєте простий приклад генетичного налаштування гіперпараметрів. TPOT — це дуже потужна бібліотека з великою кількістю можливостей. У цьому уроці ви лише починаєте її опановувати, але ми настійливо радимо дослідити її самостійно.

Це дуже невеликий приклад. У реальних проєктах TPOT зазвичай запускають на багато годин, щоб знайти найкращу модель. Ви б мали значно більший розмір популяції й нащадків, а також сотні поколінь, щоб підібрати хорошу модель.

Ви створите оцінювач, навчите його на тренувальних даних, а потім оціните результат на тестових даних.

У цьому прикладі потрібно використати:

  • 3 покоління
  • 4 у розмірі популяції
  • 3 нащадки в кожному поколінні
  • accuracy як міру якості

Для узгодженості результатів встановлено random_state = 2.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Призначте значення з контексту відповідним вхідним параметрам для tpot_clf.
  • Створіть класифікатор tpot_clf з правильними параметрами.
  • Навчіть класифікатор на тренувальних даних (у робочому середовищі доступні X_train і y_train).
  • Скористайтеся навченим класифікатором, щоб обчислити оцінку на тестовій вибірці (у робочому середовищі доступні X_test і y_test).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Редагувати та запускати код