ПочатиПочніть безкоштовно

Об'єкт RandomizedSearchCV

Так само, як і GridSearchCV зі Scikit Learn, RandomizedSearchCV надає багато корисних можливостей для ефективного виконання випадкового пошуку. Ви створите об'єкт RandomizedSearchCV, зробивши невелику зміну порівняно з об'єктом GridSearchCV.

Необхідні налаштування:

  • Базовий оцінювач Gradient Boosting Classifier за замовчуванням
  • 5-кратна перехресна перевірка
  • Використати accuracy для оцінювання моделей
  • Використати 4 ядра для паралельної обробки
  • Перенавчити найкращу модель і повертати тренувальні оцінки
  • Випадково відібрати 10 моделей

Сітка гіперпараметрів має охоплювати learning_rate (150 значень між 0,1 і 2) та min_samples_leaf (усі значення від 20 до 64 включно).

Вам доступні набори даних X_train і y_train.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Створіть сітку параметрів згідно з описом вище.
  • Створіть об'єкт RandomizedSearchCV, як зазначено в описі вище.
  • Навчіть об'єкт RandomizedSearchCV на тренувальних даних.
  • Виведіть значення, обрані під час моделювання, для обох гіперпараметрів.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
Редагувати та запускати код