Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Desafío: Ajuste de Hiperparámetros con RandomizedSearchCV | Modelado
Introducción al ML con Scikit-Learn

bookDesafío: Ajuste de Hiperparámetros con RandomizedSearchCV

La idea detrás de RandomizedSearchCV es que funciona igual que GridSearchCV, pero en lugar de probar todas las combinaciones, prueba un subconjunto muestreado aleatoriamente.

Por ejemplo, este param_grid tendrá 100 combinaciones:

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

GridSearchCV probaría todas ellas, lo cual es muy costoso en tiempo. Con RandomizedSearchCV, se puede probar solo un subconjunto elegido aleatoriamente de, por ejemplo, 20 combinaciones. Generalmente conduce a un resultado ligeramente peor, pero funciona mucho más rápido.

Se puede controlar el número de combinaciones a probar usando el argumento n_iter (establecido en 10 por defecto). Aparte de eso, su uso es igual que con GridSearchCV.

Tarea

Swipe to start coding

Su tarea es construir GridSearchCV y RandomizedSearchCV con 20 combinaciones y comparar los resultados.

  1. Inicializar el objeto RandomizedSearchCV. Pasar la cuadrícula de parámetros y establecer el número de combinaciones en 20.
  2. Inicializar el objeto GridSearchCV.
  3. Entrenar ambos objetos GridSearchCV y RandomizedSearchCV.
  4. Imprimir el mejor estimador de grid.
  5. Imprimir la mejor puntuación de randomized.

Solución

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 4. Capítulo 8
single

single

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

close

Awesome!

Completion rate improved to 3.13

bookDesafío: Ajuste de Hiperparámetros con RandomizedSearchCV

Desliza para mostrar el menú

La idea detrás de RandomizedSearchCV es que funciona igual que GridSearchCV, pero en lugar de probar todas las combinaciones, prueba un subconjunto muestreado aleatoriamente.

Por ejemplo, este param_grid tendrá 100 combinaciones:

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

GridSearchCV probaría todas ellas, lo cual es muy costoso en tiempo. Con RandomizedSearchCV, se puede probar solo un subconjunto elegido aleatoriamente de, por ejemplo, 20 combinaciones. Generalmente conduce a un resultado ligeramente peor, pero funciona mucho más rápido.

Se puede controlar el número de combinaciones a probar usando el argumento n_iter (establecido en 10 por defecto). Aparte de eso, su uso es igual que con GridSearchCV.

Tarea

Swipe to start coding

Su tarea es construir GridSearchCV y RandomizedSearchCV con 20 combinaciones y comparar los resultados.

  1. Inicializar el objeto RandomizedSearchCV. Pasar la cuadrícula de parámetros y establecer el número de combinaciones en 20.
  2. Inicializar el objeto GridSearchCV.
  3. Entrenar ambos objetos GridSearchCV y RandomizedSearchCV.
  4. Imprimir el mejor estimador de grid.
  5. Imprimir la mejor puntuación de randomized.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

close

Awesome!

Completion rate improved to 3.13
Sección 4. Capítulo 8
single

single

some-alt