Búsqueda en Cuadrícula con CV
Para mejorar el rendimiento del modelo, se ajustan los hiperparámetros. La idea es sencilla: probar diferentes valores, calcular las puntuaciones de validación cruzada y elegir el que tenga la puntuación más alta.
Este proceso se puede realizar utilizando la clase GridSearchCV del módulo sklearn.model_selection.
GridSearchCV requiere un modelo y una cuadrícula de parámetros (param_grid).
Ejemplo:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Después de inicializar GridSearchCV, se llama a .fit(X, y).
- El mejor modelo se encuentra en
.best_estimator_; - Su puntuación de validación cruzada está en
.best_score_.
12345678910111213import pandas as pd from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import GridSearchCV df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_pipelined.csv') X, y = df.drop('species', axis=1), df['species'] param_grid = {'n_neighbors': [1,3,5,7,9]} grid_search = GridSearchCV(KNeighborsClassifier(), param_grid) grid_search.fit(X, y) print(grid_search.best_estimator_) print(grid_search.best_score_)
Después del ajuste, GridSearchCV vuelve a entrenar automáticamente el mejor estimador utilizando todo el conjunto de datos.
El objeto grid_search se convierte en el modelo final entrenado y puede utilizarse directamente con .predict() y .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
¡Gracias por tus comentarios!
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 3.13Búsqueda en Cuadrícula con CV
Desliza para mostrar el menú
Para mejorar el rendimiento del modelo, se ajustan los hiperparámetros. La idea es sencilla: probar diferentes valores, calcular las puntuaciones de validación cruzada y elegir el que tenga la puntuación más alta.
Este proceso se puede realizar utilizando la clase GridSearchCV del módulo sklearn.model_selection.
GridSearchCV requiere un modelo y una cuadrícula de parámetros (param_grid).
Ejemplo:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Después de inicializar GridSearchCV, se llama a .fit(X, y).
- El mejor modelo se encuentra en
.best_estimator_; - Su puntuación de validación cruzada está en
.best_score_.
12345678910111213import pandas as pd from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import GridSearchCV df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_pipelined.csv') X, y = df.drop('species', axis=1), df['species'] param_grid = {'n_neighbors': [1,3,5,7,9]} grid_search = GridSearchCV(KNeighborsClassifier(), param_grid) grid_search.fit(X, y) print(grid_search.best_estimator_) print(grid_search.best_score_)
Después del ajuste, GridSearchCV vuelve a entrenar automáticamente el mejor estimador utilizando todo el conjunto de datos.
El objeto grid_search se convierte en el modelo final entrenado y puede utilizarse directamente con .predict() y .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
¡Gracias por tus comentarios!
