Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Abstimmung von Hyperparametern mit RandomizedSearchCV | Modellierung
ML-Einführung Mit Scikit-Learn

bookHerausforderung: Abstimmung von Hyperparametern mit RandomizedSearchCV

Die Idee hinter RandomizedSearchCV ist, dass es ähnlich wie GridSearchCV funktioniert, jedoch anstelle aller möglichen Kombinationen nur eine zufällig ausgewählte Teilmenge ausprobiert.

Zum Beispiel ergibt dieses param_grid 100 Kombinationen:

param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}

GridSearchCV würde alle Kombinationen testen, was zeitaufwendig ist. Mit RandomizedSearchCV kann nur eine zufällig ausgewählte Teilmenge von beispielsweise 20 Kombinationen getestet werden. Dies führt in der Regel zu einem etwas schlechteren Ergebnis, ist jedoch deutlich schneller.

Die Anzahl der zu testenden Kombinationen kann mit dem Argument n_iter gesteuert werden (Standardwert: 10). Ansonsten ist die Anwendung identisch zu GridSearchCV.

Aufgabe

Swipe to start coding

Ihre Aufgabe besteht darin, GridSearchCV und RandomizedSearchCV mit 20 Kombinationen zu erstellen und die Ergebnisse zu vergleichen.

  1. Initialisierung des RandomizedSearchCV-Objekts. Übergeben Sie das Parameter-Grid und legen Sie die Anzahl der Kombinationen auf 20 fest.
  2. Initialisierung des GridSearchCV-Objekts.
  3. Trainieren Sie sowohl die GridSearchCV- als auch die RandomizedSearchCV-Objekte.
  4. Geben Sie den besten Schätzer von grid aus.
  5. Geben Sie den besten Score von randomized aus.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 8
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

close

Awesome!

Completion rate improved to 3.13

bookHerausforderung: Abstimmung von Hyperparametern mit RandomizedSearchCV

Swipe um das Menü anzuzeigen

Die Idee hinter RandomizedSearchCV ist, dass es ähnlich wie GridSearchCV funktioniert, jedoch anstelle aller möglichen Kombinationen nur eine zufällig ausgewählte Teilmenge ausprobiert.

Zum Beispiel ergibt dieses param_grid 100 Kombinationen:

param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}

GridSearchCV würde alle Kombinationen testen, was zeitaufwendig ist. Mit RandomizedSearchCV kann nur eine zufällig ausgewählte Teilmenge von beispielsweise 20 Kombinationen getestet werden. Dies führt in der Regel zu einem etwas schlechteren Ergebnis, ist jedoch deutlich schneller.

Die Anzahl der zu testenden Kombinationen kann mit dem Argument n_iter gesteuert werden (Standardwert: 10). Ansonsten ist die Anwendung identisch zu GridSearchCV.

Aufgabe

Swipe to start coding

Ihre Aufgabe besteht darin, GridSearchCV und RandomizedSearchCV mit 20 Kombinationen zu erstellen und die Ergebnisse zu vergleichen.

  1. Initialisierung des RandomizedSearchCV-Objekts. Übergeben Sie das Parameter-Grid und legen Sie die Anzahl der Kombinationen auf 20 fest.
  2. Initialisierung des GridSearchCV-Objekts.
  3. Trainieren Sie sowohl die GridSearchCV- als auch die RandomizedSearchCV-Objekte.
  4. Geben Sie den besten Schätzer von grid aus.
  5. Geben Sie den besten Score von randomized aus.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

close

Awesome!

Completion rate improved to 3.13
Abschnitt 4. Kapitel 8
single

single

some-alt