Summary  
This chapter explains how to tune model hyperparameters by combining cross-validation with GridSearchCV or RandomizedSearchCV in a workflow that splits data into training, validation, and test sets to optimize and evaluate machine learning pipelines.

General domain of usage  
Machine learning model evaluation and selection

Nyt osaat rakentaa **mallin**, käyttää **putkistoja** ja säätää **hyperparametreja**. Opit myös kaksi arviointimenetelmää: train-test-jako ja ristiinvalidointi.
Seuraava askel on yhdistää arviointi ja säätö käyttämällä `GridSearchCV`- tai `RandomizedSearchCV`-menetelmää.

Koska aineistomme on hyvin pieni, käytämme `GridSearchCV`-menetelmää, mutta kaikki alla mainittu pätee myös `RandomizedSearchCV`-menetelmään.

Huomio

Koska ristiinvalidointi on vakaampi kuin yksittäinen train-test-jako, tavoitteena on saavuttaa **korkein ristiinvalidointipisteet**.
`GridSearchCV` etsii hyperparametreja ja löytää ne, jotka maksimoivat tämän pisteen. Paras tulos tallennetaan kenttään `.best_score_`.

Yhdelle tietoaineistolle parhaiten toimivat hyperparametrit eivät välttämättä **yleisty** uuden datan saapuessa.
Siksi `.best_score_` voi olla korkeampi kuin mallin suorituskyky **täysin näkemättömällä** datalla.

Yleinen työnkulku: jaa data koulutus- ja testijoukkoihin; suorita ristiinvalidointi **koulutusjoukolla** mallin virittämiseksi; arvioi sitten optimoitu malli **testijoukolla** todellisen suorituskyvyn mittaamiseksi.

Yhteenveto:

1. Esikäsittele data;
2. Jaa koulutus- ja testijoukkoihin;
3. Käytä ristiinvalidointia koulutusjoukossa parhaan kokoonpanon löytämiseksi;
4. Arvioi testijoukolla.

Kolmas vaihe sisältää yleensä **useiden algoritmien** testaamisen ja niiden hyperparametrien säätämisen parhaan vaihtoehdon löytämiseksi. Tämän kurssin yksinkertaistamiseksi käytettiin vain yhtä algoritmia.


Opiskele lisää

Ristiinvalidointi ei ole aina paras vaihtoehto. Suurilla aineistoilla CV-pisteiden laskeminen on kallista, kun taas koulutus-testijako on vakaampi suuren testijoukon ansiosta.

Suuria tietoaineistoja jaetaan usein **opetus**-, **validointi**- ja **testi**-aineistoihin.
Hyperparametrit valitaan **validointiaineiston** suorituksen perusteella.
Lopuksi valittu malli arvioidaan **testiaineistolla** sen yleistettävyyden varmistamiseksi.

**Penguins dataset** on pieni, vain 342 havaintoa. Tämän rajallisen koon vuoksi seuraavassa luvussa arvioinnissa käytetään ristiinvalidointipistemäärää.


Miksi ristiinvalidointi on erityisen arvokasta hyperparametrien virityksessä pienillä aineistoilla, toisin kuin suuremmilla aineistoilla, joissa voidaan suosia train-test-jakoa?

Koneoppimista käytetään nykyään kaikkialla. Haluatko oppia sen itse? Tämä kurssi on johdatus koneoppimisen maailmaan, jossa opit peruskäsitteet, työskentelet Scikit-learnin – suosituimman ML-kirjaston – kanssa ja rakennat ensimmäisen koneoppimisprojektisi.
Kurssi on tarkoitettu opiskelijoille, joilla on perustiedot Pythonista, Pandasista ja Numpysta.

Koneoppimisen käsitteiden ja ML-projektin työnkulun oppiminen.

Esikäsittely on todennäköisesti tärkein vaihe ML-projektissa. Tämä luku käsittelee esikäsittelyvaiheet, joita tarvitaan lähes kaikissa aineistoissa.

Putkisto on kätevä tapa yhdistää kaikki esikäsittelyvaiheet sekä malli. Putkistot helpottavat huomattavasti mallin kouluttamista ja käyttöä.

Mallintaminen on ML-projektin viihdyttävin vaihe. Opitaan rakentamaan, hienosäätämään ja arvioimaan mallia!

Mallinnuksen Yhteenveto