GridSearchCV
For å forbedre modellens ytelse, justeres hyperparametere. Prinsippet er enkelt: test ulike verdier, beregn kryssvalideringsscore, og velg den med høyest score.
Denne prosessen kan utføres ved å bruke GridSearchCV-klassen fra sklearn.model_selection-modulen.
GridSearchCV krever en modell og et parametergrid (param_grid).
Eksempel:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Etter initialisering av GridSearchCV, bruk .fit(X, y).
- Den beste modellen finnes i
.best_estimator_; - Dens kryssvalideringsscore finnes i
.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_)
Etter tilpasning trener GridSearchCV automatisk opp den beste estimatoren på hele datasettet.
Objektet grid_search blir den endelige trente modellen og kan brukes direkte med .predict() og .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
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
Can you explain what a parameter grid is and how to choose its values?
How does GridSearchCV perform cross-validation?
What does the best_estimator_ attribute represent?
Awesome!
Completion rate improved to 3.13GridSearchCV
Sveip for å vise menyen
For å forbedre modellens ytelse, justeres hyperparametere. Prinsippet er enkelt: test ulike verdier, beregn kryssvalideringsscore, og velg den med høyest score.
Denne prosessen kan utføres ved å bruke GridSearchCV-klassen fra sklearn.model_selection-modulen.
GridSearchCV krever en modell og et parametergrid (param_grid).
Eksempel:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Etter initialisering av GridSearchCV, bruk .fit(X, y).
- Den beste modellen finnes i
.best_estimator_; - Dens kryssvalideringsscore finnes i
.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_)
Etter tilpasning trener GridSearchCV automatisk opp den beste estimatoren på hele datasettet.
Objektet grid_search blir den endelige trente modellen og kan brukes direkte med .predict() og .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Takk for tilbakemeldingene dine!
