Пошук по сітці для MLP
Налаштування гіперпараметрів у sklearn можна виконати, передаючи різні вхідні параметри, кожен із яких можна сформувати за допомогою функцій з numpy. Один із підходів — пошук по сітці (grid search), який повністю перебирає всі комбінації гіперпараметрів, задані через param_grid. У цій вправі ви застосуєте пошук по сітці, щоб підібрати гіперпараметри для класифікатора MLP.
X_train, y_train, X_test, y_test доступні у вашому робочому середовищі, і ознаки вже стандартизовано. pandas як pd, numpy як np також доступні у вашому робочому середовищі.
Ця вправа є частиною курсу
Прогнозування CTR за допомогою машинного навчання в Python
Інструкції до вправи
- Створіть список значень
[10, 20]дляmax_iterі список значень[(8, ), (16, )]дляhidden_layer_sizes. - Налаштуйте пошук по сітці з 4 завданнями за допомогою
n_jobs, щоб перебрати всі комбінації гіперпараметрів. - Виведіть найкраще значення AUC і найкращий оцінювач, який дав цей результат.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Create list of hyperparameters
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}
# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____,
scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)