1. Learn
    2. /
  2. Courses
    3. /
  3. Tinh chỉnh siêu tham số trong Python
Connected

Exercise

Trực quan hóa Coarse to Fine

Bạn sẽ thực hiện phần đầu của tìm kiếm Coarse to Fine. Việc này bao gồm phân tích kết quả của một random search ban đầu trên một không gian tìm kiếm lớn, rồi quyết định bước hợp lý tiếp theo để làm mịn việc tìm kiếm hyperparameter.

Bạn có sẵn:

  • combinations_list - danh sách các tổ hợp hyperparameter khả dĩ mà random search đã chạy trên đó.
  • results_df - một DataFrame chứa mỗi tổ hợp hyperparameter và độ chính xác thu được của toàn bộ 500 lần thử. Mỗi hyperparameter là một cột, tiêu đề là tên hyperparameter.
  • visualize_hyperparameter() - một hàm nhận vào tên một cột của DataFrame (dưới dạng chuỗi) và vẽ scatter plot so sánh giá trị cột này với điểm accuracy. Ví dụ gọi hàm: visualize_hyperparameter('accuracy')

Nếu bạn muốn xem định nghĩa của hàm visualize_hyperparameter(), bạn có thể chạy đoạn mã sau:

import inspect
print(inspect.getsource(visualize_hyperparameter))

Instructions

100 XP
  • Xác nhận (bằng cách in ra) kích thước của combinations_list, qua đó cho thấy vì sao nên bắt đầu bằng random search.
  • Sắp xếp results_df theo giá trị accuracy và in 10 hàng đầu. Có nhận định rõ ràng nào không? Cẩn trọng với kích thước mẫu nhỏ!
  • Xác nhận (bằng cách in ra) các hyperparameter đã dùng trong lần tìm kiếm này. Đây là tên các cột trong results_df.
  • Gọi visualize_hyperparameter() lần lượt với từng hyperparameter (max_depth, min_samples_leaf, learn_rate). Có xu hướng nào không?