Sử dụng các đầu ra tốt nhất

Trong các tham số sau, tham số nào phải được thiết lập để bạn có thể trực tiếp dùng thuộc tính best_estimator_ cho việc dự đoán?

Bài tập này là một phần của khóa học

Tinh chỉnh siêu tham số trong Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Tinh chỉnh siêu tham số trong Python

SkillTag.level.intermediateSkillTag.label

4.9+

838 reviews

Bắt đầu khóa học miễn phí

Trong chương mở đầu này, bạn sẽ học sự khác nhau giữa siêu tham số và tham số. Bạn sẽ thực hành trích xuất và phân tích tham số, đặt giá trị siêu tham số cho một số thuật toán Machine Learning phổ biến. Đồng thời, bạn sẽ học các mẹo và thực hành tốt để chọn siêu tham số cần tinh chỉnh, đặt giá trị phù hợp và xây dựng đường học (learning curves) để phân tích lựa chọn của mình.

Exercise 1: Giới thiệu & "Parameters"Exercise 2: Các tham số trong Logistic Regression Exercise 3: Trích xuất một tham số của Logistic Regression Exercise 4: Trích xuất một tham số của Random Forest Exercise 5: Giới thiệu về Hyperparameter Exercise 6: Siêu tham số trong Random Forest Exercise 7: Khám phá các siêu tham số của Random Forest Exercise 8: Siêu tham số của KNN Exercise 9: Thiết lập và phân tích giá trị siêu tham số Exercise 10: Tự động hóa lựa chọn Hyperparameter Exercise 11: Xây dựng đường học (Learning Curves)

Chương này giới thiệu một phương pháp tự động tinh chỉnh siêu tham số phổ biến gọi là Grid Search. Bạn sẽ học Grid Search là gì, cách hoạt động và thực hành chạy Grid Search bằng Scikit Learn. Sau đó, bạn sẽ học cách phân tích đầu ra của Grid Search và tích lũy kinh nghiệm thực tế khi thực hiện việc này.

Exercise 1: Giới thiệu về Grid Search Exercise 2: Xây dựng các hàm Grid Search Exercise 3: Tinh chỉnh lặp lại nhiều siêu tham số Exercise 4: Có Bao Nhiêu Mô Hình?Exercise 5: Grid Search với Scikit Learn Exercise 6: Đầu vào của GridSearchCV Exercise 7: GridSearchCV với Scikit Learn Exercise 8: Hiểu kết quả của grid search Exercise 9: Sử dụng các đầu ra tốt nhất

Bài tập hiện tại

Exercise 10: Khám phá kết quả grid search Exercise 11: Phân tích kết quả tốt nhất Exercise 12: Sử dụng kết quả tốt nhất

Trong chương này, bạn sẽ được giới thiệu một phương pháp tự động tinh chỉnh siêu tham số phổ biến khác là Random Search. Bạn sẽ học Random Search là gì, cách hoạt động và đặc biệt là điểm khác biệt so với grid search. Bạn sẽ tìm hiểu ưu và nhược điểm của phương pháp này, cũng như khi nào nên chọn phương pháp này thay vì Grid Search. Bạn sẽ thực hành chạy Random Search với Scikit Learn và trực quan hóa cũng như diễn giải đầu ra.

Exercise 1: Giới thiệu về Random Search Exercise 2: Lấy mẫu ngẫu nhiên các siêu tham số Exercise 3: Tìm kiếm ngẫu nhiên với Random Forest Exercise 4: Trực quan hóa Random Search Exercise 5: Random Search trong Scikit Learn Exercise 6: Các tham số đầu vào của RandomSearchCV Exercise 7: Đối tượng RandomizedSearchCV Exercise 8: RandomSearchCV trong Scikit Learn Exercise 9: So sánh Grid Search và Random Search Exercise 10: So sánh Random Search & Grid Search Exercise 11: Đặt Grid Search và Random Search cạnh nhau

Ở chương cuối, bạn sẽ làm quen với các phương pháp tinh chỉnh siêu tham số nâng cao gọi là "informed search". Bao gồm phương pháp Coarse To Fine cùng các thuật toán tinh chỉnh siêu tham số Bayesian và Genetic. Bạn sẽ học sự khác biệt giữa informed search và uninformed search, đồng thời rèn luyện kỹ năng thực hành với từng phương pháp, so sánh và đối chiếu chúng trong quá trình học.

Exercise 1: Tìm kiếm có định hướng: Từ thô đến tinh Exercise 2: Trực quan hóa Coarse to Fine Exercise 3: Lặp Coarse to Fine Exercise 4: Tìm kiếm có thông tin: Thống kê Bayes Exercise 5: Quy tắc Bayes trong Python Exercise 6: Điều chỉnh siêu tham số Bayesian với Hyperopt Exercise 7: Tìm kiếm có thông tin: Thuật toán Di truyền Exercise 8: Tinh chỉnh siêu tham số bằng thuật toán di truyền với TPOT Exercise 9: Phân tích độ ổn định của TPOT Exercise 10: Chúc mừng bạn!