ПочатиПочніть безкоштовно

Налаштування гіперпараметрів за допомогою GridSearchCV

Тепер, коли ви побачили, як виконувати підбір гіперпараметрів за допомогою перебору по сітці (grid search), ви збудуєте модель ласо-регресії з оптимальними гіперпараметрами для прогнозування рівня глюкози в крові, використовуючи ознаки з набору даних diabetes_df.

X_train, X_test, y_train та y_test вже завантажено для вас. Об'єкт KFold() створено й збережено як kf, а також підготовлено модель ласо-регресії як lasso.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Імпортуйте GridSearchCV.
  • Налаштуйте сітку параметрів для "alpha", використовуючи np.linspace() для створення 20 рівномірно розподілених значень у діапазоні від 0.00001 до 1.
  • Викличте GridSearchCV(), передавши lasso, сітку параметрів і встановивши cv рівним kf.
  • Навчіть об'єкт пошуку по сітці на тренувальних даних, щоб виконати крос-валідаційний перебір по сітці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Редагувати та запускати код