ПочатиПочніть безкоштовно

Випадкове вибіркове задання гіперпараметрів

Щоб виконати random search, спершу потрібно випадково відібрати значення з простору гіперпараметрів.

У цій вправі ви спочатку створите кілька списків гіперпараметрів, які можна об'єднати (zip) в список списків. Далі ви випадково виберете комбінації гіперпараметрів, щоб підготуватися до запуску random search.

Щоб приклад був наочним і не надто складним, ви використаєте лише гіперпараметри learning_rate і min_samples_leaf алгоритму GBM.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Створіть список із 200 значень для гіперпараметра learning_rate у межах від 0,01 до 1,5 та присвойте його списку learn_rate_list.
  • Створіть список значень від 10 до 40 включно для гіперпараметра min_samples_leaf та присвойте його списку min_samples_list.
  • Об'єднайте ці списки у список списків, з якого виконуватиметься вибірка.
  • Випадково виберіть 250 моделей із цих комбінацій гіперпараметрів і виведіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Редагувати та запускати код