Вхідні параметри RandomSearchCV

Перевірмо, що ви знаєте про те, чим RandomizedSearchCV відрізняється від GridSearchCV.

Ви можете переглянути документацію на сайті Scikit Learn, щоб порівняти ці дві функції.

Який із цих параметрів є лише для RandomizedSearchCV?

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+

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 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

Поточна вправа

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!