Desafío: 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.
Swipe to start coding
Su tarea es construir GridSearchCV y RandomizedSearchCV con 20 combinaciones y comparar los resultados.
- Inicializar el objeto
RandomizedSearchCV. Pasar la cuadrícula de parámetros y establecer el número de combinaciones en 20. - Inicializar el objeto
GridSearchCV. - Entrenar ambos objetos
GridSearchCVyRandomizedSearchCV. - Imprimir el mejor estimador de
grid. - Imprimir la mejor puntuación de
randomized.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 3.13Desafío: 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.
Swipe to start coding
Su tarea es construir GridSearchCV y RandomizedSearchCV con 20 combinaciones y comparar los resultados.
- Inicializar el objeto
RandomizedSearchCV. Pasar la cuadrícula de parámetros y establecer el número de combinaciones en 20. - Inicializar el objeto
GridSearchCV. - Entrenar ambos objetos
GridSearchCVyRandomizedSearchCV. - Imprimir el mejor estimador de
grid. - Imprimir la mejor puntuación de
randomized.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
Awesome!
Completion rate improved to 3.13single
