Bắt đầu ngayBắt đầu miễn phí

Xây dựng các hàm Grid Search

Trong khoa học dữ liệu, việc tự tay xây dựng thuật toán, mô hình và quy trình “từ con số 0” là một ý tưởng tuyệt vời để bạn thật sự hiểu rõ điều gì đang diễn ra ở mức độ sâu hơn. Tất nhiên có rất nhiều package và thư viện mạnh mẽ cho công việc này (và chúng ta sẽ dùng ngay sau đây!), nhưng việc tự xây dựng sẽ cho bạn lợi thế lớn trong công việc khoa học dữ liệu.

Trong bài tập này, bạn sẽ tạo một hàm nhận vào 2 siêu tham số, xây dựng mô hình và trả về kết quả. Bạn sẽ dùng hàm này ở một bài tập sau.

Bạn có sẵn các tập dữ liệu X_train, X_test, y_train và y_test.

Bài tập này là một phần của khóa học

Tinh chỉnh siêu tham số trong Python

Xem khóa học

Hướng dẫn bài tập

  • Xây dựng một hàm nhận hai tham số có tên learning_rate và max_depth lần lượt cho tốc độ học và độ sâu tối đa.
  • Thêm khả năng trong hàm để xây dựng một mô hình GBM và fit vào dữ liệu với các siêu tham số đầu vào.
  • Để hàm trả về kết quả của mô hình đó và các siêu tham số đã chọn (learning_rate và max_depth).

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Chỉnh sửa và Chạy Mã