开始使用免费开始使用

RandomizedSearchCV 对象

与 Scikit Learn 的 GridSearchCV 类似，RandomizedSearchCV 提供了许多有用功能，帮助您高效地进行随机搜索。您将创建一个 RandomizedSearchCV 对象，并在 GridSearchCV 的基础上做出所需的小调整。

需要设置的选项：

  • 默认的梯度提升分类器（Gradient Boosting Classifier）估计器
  • 5 折交叉验证
  • 使用 accuracy 作为模型评分指标
  • 并行使用 4 个内核进行处理
  • 重新拟合最佳模型并返回训练得分
  • 随机抽样 10 组超参数组合进行评估

超参数空间应包括 learning_rate（在 0.1 到 2 之间等间隔取 150 个值）以及 min_samples_leaf（20 到 64 的所有整数值，包含端点）。

您将可以使用 X_train 和 y_train 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

  • 按上述要求创建超参数搜索空间。
  • 按上述要求创建一个 RandomizedSearchCV 对象。
  • 将 RandomizedSearchCV 对象拟合到训练数据。
  • 打印模型过程为两个超参数所选择的取值。

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 parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
编辑并运行代码