ПочатиПочніть безкоштовно

Центрування та масштабування для класифікації

Тепер ви поєднаєте масштабування та побудову моделі в конвеєр для крос-валідації.

Ваше завдання — побудувати конвеєр для масштабування ознак у наборі даних music_df та виконати перебір параметрів із крос-валідацією, використовуючи логістичну регресію з різними значеннями гіперпараметра C. Цільова змінна — "genre", де рок позначено як 1, а будь-який інший жанр — як 0.

StandardScaler, LogisticRegression і GridSearchCV уже імпортовано для вас.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Побудуйте кроки для конвеєра: об'єкт StandardScaler() з назвою "scaler" і модель логістичної регресії з назвою "logreg".
  • Створіть parameters, шукаючи 20 рівновіддалених дійсних значень у діапазоні від 0.001 до 1.0 для гіперпараметра C моделі логістичної регресії в конвеєрі.
  • Створіть об'єкт ґрід‑сर्च.
  • Навчіть (fit) об'єкт ґрід‑серш на тренувальних даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build the steps
steps = [("____", ____()),
         ("____", ____())]
pipeline = Pipeline(steps)

# Create the parameter space
parameters = {"____": np.____(____, ____, 20)}
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
                                                    random_state=21)

# Instantiate the grid search object
cv = ____(____, param_grid=____)

# Fit to the training data
cv.____(____, ____)
print(cv.best_score_, "\n", cv.best_params_)
Редагувати та запускати код