Justér med GridSearchCV
Søg sikkert efter hyperparametre.
Justér med GridSearchCV er en gratis Data Science Academy-lektion på CoddyKit. Dette er lektion 3 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Data Science Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Data Science Academy-kurset indeholder 4 lektioner i alt.
Indstillinger, du vælger
Nogle modelindstillinger læres ikke fra data; du vælger dem før træningen. Det er hyperparametre, og gode valg betyder meget.
Gætteri er langsomt
Det spilder tid at ændre én værdi, køre igen og vurdere scoren manuelt, og du overser bedre kombinationer. Lad en søgning gøre det. 🔍
Mød GridSearchCV
GridSearchCV prøver alle kombinationer i et gitter, du definerer, og bruger krydsvalidering til at bedømme hver af dem retfærdigt.
from sklearn.model_selection import GridSearchCVDefinér gitteret
Du angiver hver hyperparameter og de værdier, der skal prøves, i en dictionary. Hver værdikombination bliver én kandidat, der skal testes.
param_grid = {'C': [0.1, 1, 10]}Tun en pipeline indefra
Hvis du vil målrette et trin i en pipeline, skal du sætte trinets navn foran med to underscores. Denne navngivning peger søgningen på den rigtige indstilling.
param_grid = {'model__C': [0.1, 1, 10]}Kør søgningen
Pak din estimator og dit gitter ind, og kald derefter fit. Den træner og bedømmer alle kombinationer på tværs af foldene for dig.
search = GridSearchCV(pipe, param_grid, cv=5)
search.fit(X_train, y_train)Læs vinderen
Efter tilpasningen fortæller best_params_ dig, hvilken kombination der vandt, og best_score_ viser dens gennemsnitlige krydsvaliderede score.
print(search.best_params_, search.best_score_)Forudsig med den bedste
Søgningen tilpasser igen den bedste kombination til alle træningsdataene. Kald blot predict på søgeobjektet for at bruge den pågældende best_estimator.
preds = search.predict(X_test)Vælg den rigtige scorer
Som standard optimerer den nøjagtighed. Sæt scoring til f1 eller roc_auc, så søgningen optimerer den metrik, der er vigtig for dit problem.
GridSearchCV(pipe, param_grid, scoring='f1', cv=5)Vær opmærksom på omkostningen
Gitteret vokser hurtigt: antal kombinationer gange antal fold er lig med antal tilpasninger. Når det eksploderer, kan du i stedet prøve RandomizedSearchCV.
Uden lækage fra designet
Fordi hele pipelinen søges igennem, tilpasses forberedelsen igen i hver fold. Tuning forbliver retvisende, uden at nogen lækage sniger sig ind.
Hurtigt tjek
Hvis du vil tune et pipelinetrin med navnet model, hvordan angiver du så parameteren?
Opsummering
Du kan nu lade GridSearchCV teste parameterkombinationer med krydsvalidering og give dig den bedste. Næste trin er at gemme din trænede pipeline. 💾
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “Justér med GridSearchCV” gratis?
Ja — hele teksten til “Justér med GridSearchCV” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Data Science Academy-kurset, skal du opgradere til CoddyKit PRO. Data Science Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Justér med GridSearchCV”?
Søg sikkert efter hyperparametre. Du øver dig i Data Science Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Data Science Academy?
Der kræves ingen tidligere erfaring. Data Science Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 3 af 4.
Hvor lang tid tager lektionen “Justér med GridSearchCV”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Data Science Academy-lektion?
Ja. Alle Data Science Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Hvorfor pipelines slår manuelle trin
- ColumnTransformer til blandede typer
- Justér med GridSearchCV
- Gem og genindlæs en trænet pipeline