Défi : Réglage des Hyperparamètres avec RandomizedSearchCV
Le principe de RandomizedSearchCV est similaire à celui de GridSearchCV, mais au lieu de tester toutes les combinaisons possibles, il évalue uniquement un sous-ensemble échantillonné aléatoirement.
Par exemple, le param_grid suivant contient 100 combinaisons :
param_grid = {
'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
GridSearchCV testerait toutes les 100, ce qui est chronophage. RandomizedSearchCV peut à la place évaluer un sous-ensemble plus petit, par exemple 20 combinaisons choisies aléatoirement. Cela réduit le temps de calcul et produit généralement des résultats proches des meilleurs.
Le nombre de combinaisons à tester est contrôlé par l’argument n_iter (la valeur par défaut est 10). À part cela, l’utilisation est identique à celle de GridSearchCV.
Swipe to start coding
Un jeu de données de manchots prétraité vous est fourni, prêt pour l'entraînement du modèle.
Votre objectif est d’ajuster les hyperparamètres d’un modèle KNeighborsClassifier en utilisant à la fois les méthodes de recherche par grille et de recherche aléatoire.
- Définir la grille de paramètres nommée
param_gridavec les valeurs souhaitées pourn_neighbors,weightsetp. - Initialiser un objet
RandomizedSearchCVen utilisant la grille de paramètres définie, avecn_iter=20. - Initialiser un objet
GridSearchCVen utilisant la même grille de paramètres. - Entraîner les deux objets de recherche sur le jeu de données à l’aide de la méthode
.fit(X, y). - Afficher le meilleur estimateur issu de la recherche par grille à l’aide de
.best_estimator_. - Afficher le meilleur score de validation croisée issu de la recherche aléatoire à l’aide de
.best_score_.
Solution
Vous pouvez essayer d’exécuter le code plusieurs fois. Observez la différence entre les deux scores. Parfois, les scores peuvent être identiques en raison de la présence des meilleurs paramètres parmi les combinaisons échantillonnées par RandomizedSearchCV.
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 3.13Défi : Réglage des Hyperparamètres avec RandomizedSearchCV
Glissez pour afficher le menu
Le principe de RandomizedSearchCV est similaire à celui de GridSearchCV, mais au lieu de tester toutes les combinaisons possibles, il évalue uniquement un sous-ensemble échantillonné aléatoirement.
Par exemple, le param_grid suivant contient 100 combinaisons :
param_grid = {
'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
GridSearchCV testerait toutes les 100, ce qui est chronophage. RandomizedSearchCV peut à la place évaluer un sous-ensemble plus petit, par exemple 20 combinaisons choisies aléatoirement. Cela réduit le temps de calcul et produit généralement des résultats proches des meilleurs.
Le nombre de combinaisons à tester est contrôlé par l’argument n_iter (la valeur par défaut est 10). À part cela, l’utilisation est identique à celle de GridSearchCV.
Swipe to start coding
Un jeu de données de manchots prétraité vous est fourni, prêt pour l'entraînement du modèle.
Votre objectif est d’ajuster les hyperparamètres d’un modèle KNeighborsClassifier en utilisant à la fois les méthodes de recherche par grille et de recherche aléatoire.
- Définir la grille de paramètres nommée
param_gridavec les valeurs souhaitées pourn_neighbors,weightsetp. - Initialiser un objet
RandomizedSearchCVen utilisant la grille de paramètres définie, avecn_iter=20. - Initialiser un objet
GridSearchCVen utilisant la même grille de paramètres. - Entraîner les deux objets de recherche sur le jeu de données à l’aide de la méthode
.fit(X, y). - Afficher le meilleur estimateur issu de la recherche par grille à l’aide de
.best_estimator_. - Afficher le meilleur score de validation croisée issu de la recherche aléatoire à l’aide de
.best_score_.
Solution
Vous pouvez essayer d’exécuter le code plusieurs fois. Observez la différence entre les deux scores. Parfois, les scores peuvent être identiques en raison de la présence des meilleurs paramètres parmi les combinaisons échantillonnées par RandomizedSearchCV.
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
single
