Khởi động với GridSearchCV
Trong video, bạn đã thấy rằng tăng siêu tham số gamma của kernel RBF sẽ tăng độ chính xác trên tập huấn luyện. Trong bài tập này, chúng ta sẽ tìm giá trị gamma tối ưu hóa độ chính xác xác thực chéo bằng GridSearchCV của scikit-learn. Một phiên bản nhị phân của bộ dữ liệu chữ số viết tay, trong đó bạn chỉ cần dự đoán một ảnh có phải là "2" hay không, đã được nạp sẵn vào các biến X và y.
Bài tập này là một phần của khóa học
Bộ phân loại tuyến tính với Python
Hướng dẫn bài tập
- Tạo một đối tượng
GridSearchCV. - Gọi phương thức
fit()để chọn giá trịgammatốt nhất dựa trên độ chính xác xác thực chéo.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)