Розминка з GridSearchCV
У відео ми побачили, що збільшення гіперпараметра gamma для ядра RBF підвищує точність на тренуванні. У цій вправі ми підберемо таке значення gamma, яке максимізує точність перехресної валідації, використовуючи GridSearchCV зі scikit-learn. Бінарна версія набору рукописних цифр, де потрібно передбачити, чи є зображення цифрою «2» чи ні, уже завантажена у змінні X і y.
Ця вправа є частиною курсу
Лінійні класифікатори в Python
Інструкції до вправи
- Створіть об'єкт
GridSearchCV. - Викличте метод
fit(), щоб обрати найкраще значенняgammaна основі точності перехресної валідації.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)