Laraskan Dengan GridSearchCV
Mencari hiperparameter dengan selamat
Laraskan Dengan GridSearchCV ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Tetapan yang Anda Pilih
Sesetengah tetapan model tidak dipelajari daripada data; anda memilihnya sebelum latihan. Tetapan ini ialah hiperparameter, dan pilihan yang baik amat penting.
Meneka Itu Lambat
Mengubah satu nilai, menjalankan semula, kemudian menilai skor secara manual membuang masa dan mungkin terlepas gabungan yang lebih baik. Biarkan carian melakukannya. 🔍
Memperkenalkan GridSearchCV
GridSearchCV mencuba setiap gabungan dalam grid yang anda tentukan dan menggunakan pengesahan silang untuk menilai setiap satunya secara adil.
from sklearn.model_selection import GridSearchCVTentukan Grid
Anda menyenaraikan setiap hiperparameter dan nilai yang hendak dicuba dalam sebuah kamus. Setiap pasangan nilai menjadi satu calon untuk diuji.
param_grid = {'C': [0.1, 1, 10]}Laraskan Dalam Saluran Paip
Untuk menyasarkan langkah dalam saluran paip, letakkan nama langkah diikuti dua garis bawah sebagai awalan. Penamaan ini mengarahkan carian kepada tetapan yang betul.
param_grid = {'model__C': [0.1, 1, 10]}Jalankan Carian
Bungkus penganggar dan grid anda, kemudian panggil fit. Ia melatih dan menilai setiap gabungan merentasi lipatan untuk anda.
search = GridSearchCV(pipe, param_grid, cv=5)
search.fit(X_train, y_train)Baca Pemenang
Selepas latihan, best_params_ memberitahu anda gabungan yang menang, manakala best_score_ menunjukkan skor purata yang disahkan silang.
print(search.best_params_, search.best_score_)Buat Ramalan dengan yang Terbaik
Carian melatih semula gabungan terbaik menggunakan semua data latihan. Panggil predict pada objek carian untuk menggunakan best_estimator itu.
preds = search.predict(X_test)Pilih Penilai yang Betul
Secara lalai, ia mengoptimumkan ketepatan. Tetapkan scoring kepada f1 atau roc_auc supaya carian mengutamakan metrik yang penting untuk masalah anda.
GridSearchCV(pipe, param_grid, scoring='f1', cv=5)Beri Perhatian kepada Kos
Grid berkembang dengan pantas: bilangan gabungan didarab dengan bilangan lipatan menghasilkan bilangan latihan. Apabila jumlahnya melampau, cuba RandomizedSearchCV untuk membuat pensampelan.
Bebas Kebocoran Mengikut Reka Bentuk
Memandangkan seluruh saluran paip dicari, penyediaan data dilatih semula dalam setiap lipatan. Pelarasan kekal telus tanpa sebarang kebocoran.
Semakan Pantas
Untuk melaraskan langkah saluran paip yang bernama model, bagaimanakah anda menulis kunci parameter itu?
Imbas Kembali
Kini anda boleh membiarkan GridSearchCV menguji gabungan parameter dengan pengesahan silang dan memberikan anda gabungan terbaik. Seterusnya, menyimpan saluran paip terlatih anda. 💾
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Laraskan Dengan GridSearchCV” percuma?
Ya — teks penuh “Laraskan Dengan GridSearchCV” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Laraskan Dengan GridSearchCV”?
Mencari hiperparameter dengan selamat Anda berlatih Data Science Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Laraskan Dengan GridSearchCV” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Mengapa Pipeline Mengatasi Langkah Manual
- ColumnTransformer untuk Jenis Campuran
- Laraskan Dengan GridSearchCV
- Simpan dan Muat Semula Pipeline Terlatih