开始使用免费开始使用

构建网格搜索函数

在数据科学中，尝试"从零开始"构建算法、模型和流程是个很好的做法，这能让您从更深层次理解其工作原理。当然，也有功能强大的包和库可用（我们很快就会使用！），但从零实现会让您的数据科学工作更有优势。

在本练习中，您将创建一个函数，接收 2 个超参数，训练模型并返回结果。您会在后续练习中复用这个函数。

您可以使用 X_train、X_test、y_train 和 y_test 数据集。

本练习是课程的一部分

Python 中的超参数调优

查看课程

练习说明

  • 编写一个函数，包含两个参数 learning_rate 和 max_depth，分别表示学习率和最大深度。
  • 在函数中加入逻辑：基于输入的超参数构建一个 GBM 模型，并在数据上进行训练。
  • 让函数返回该模型的结果以及所选择的超参数（learning_rate 和 max_depth）。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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(____, ____)])
编辑并运行代码