Feilen ved GridSearchCV
Før du bruker GridSearchCV, merk at KNeighborsClassifier har flere hyperparametere enn bare n_neighbors. To viktige er weights og p.
Weights
Som standard bruker klassifiseringen weights='uniform', noe som betyr at alle k nærmeste naboer har lik stemme.
Ved å sette weights='distance' får nærmere naboer større innflytelse, noe som ofte gir bedre prediksjoner når nærliggende punkter er mer relevante.
P
Parameteren p styrer avstandsmålet:
p=1: Manhattan distance;p=2: Euclidean distance.
En p-parameter kan ha et hvilket som helst positivt heltall. Det finnes mange ulike avstander, men de er vanskeligere å visualisere enn p=1 eller p=2.
Ikke bekymre deg hvis detaljene rundt weights eller p er uklare. De introduseres kun for å vise at det finnes flere enn én hyperparameter som kan påvirke modellens prediksjoner. Se på dem som eksempler på hyperparametere som kan justeres.
Tidligere ble kun n_neighbors justert. For å søke over alle tre hyperparametere, bruk:
param_grid = {
'n_neighbors': [1, 3, 5, 7],
'weights': ['distance', 'uniform'],
'p': [1, 2]
}
GridSearchCV prøver alle mulige kombinasjoner for å finne den beste, så den vil prøve alle disse:
Et større rutenett som:
param_grid = {
'n_neighbors': [...],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
skaper 100 kombinasjoner. Med 5-fold kryssvalidering trenes modellen 500 ganger. Dette er akseptabelt for små datasett, men for større datasett blir det for tregt.
For å redusere beregningstiden tester RandomizedSearchCV kun et tilfeldig utvalg av kombinasjoner, og finner vanligvis gode resultater mye raskere enn et fullstendig rutenett-søk.
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 3.13Feilen ved GridSearchCV
Sveip for å vise menyen
Før du bruker GridSearchCV, merk at KNeighborsClassifier har flere hyperparametere enn bare n_neighbors. To viktige er weights og p.
Weights
Som standard bruker klassifiseringen weights='uniform', noe som betyr at alle k nærmeste naboer har lik stemme.
Ved å sette weights='distance' får nærmere naboer større innflytelse, noe som ofte gir bedre prediksjoner når nærliggende punkter er mer relevante.
P
Parameteren p styrer avstandsmålet:
p=1: Manhattan distance;p=2: Euclidean distance.
En p-parameter kan ha et hvilket som helst positivt heltall. Det finnes mange ulike avstander, men de er vanskeligere å visualisere enn p=1 eller p=2.
Ikke bekymre deg hvis detaljene rundt weights eller p er uklare. De introduseres kun for å vise at det finnes flere enn én hyperparameter som kan påvirke modellens prediksjoner. Se på dem som eksempler på hyperparametere som kan justeres.
Tidligere ble kun n_neighbors justert. For å søke over alle tre hyperparametere, bruk:
param_grid = {
'n_neighbors': [1, 3, 5, 7],
'weights': ['distance', 'uniform'],
'p': [1, 2]
}
GridSearchCV prøver alle mulige kombinasjoner for å finne den beste, så den vil prøve alle disse:
Et større rutenett som:
param_grid = {
'n_neighbors': [...],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
skaper 100 kombinasjoner. Med 5-fold kryssvalidering trenes modellen 500 ganger. Dette er akseptabelt for små datasett, men for større datasett blir det for tregt.
For å redusere beregningstiden tester RandomizedSearchCV kun et tilfeldig utvalg av kombinasjoner, og finner vanligvis gode resultater mye raskere enn et fullstendig rutenett-søk.
Takk for tilbakemeldingene dine!
