Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Ajuste de Hiperparâmetros com RandomizedSearchCV | Modelagem
Introdução ao ML com Scikit-Learn

bookDesafio: Ajuste de Hiperparâmetros com RandomizedSearchCV

A ideia por trás do RandomizedSearchCV é que ele funciona da mesma forma que o GridSearchCV, mas em vez de testar todas as combinações, ele testa um subconjunto amostrado aleatoriamente.

Por exemplo, este param_grid terá 100 combinações:

param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}

O GridSearchCV testaria todas elas, o que é demorado. Com o RandomizedSearchCV, é possível testar apenas um subconjunto escolhido aleatoriamente de, por exemplo, 20 combinações. Normalmente, isso resulta em um desempenho um pouco inferior, mas é muito mais rápido.

Você pode controlar o número de combinações a serem testadas usando o argumento n_iter (definido como 10 por padrão). Fora isso, o uso é igual ao do GridSearchCV.

Tarefa

Swipe to start coding

Sua tarefa é construir GridSearchCV e RandomizedSearchCV com 20 combinações e comparar os resultados.

  1. Inicialize o objeto RandomizedSearchCV. Passe o grid de parâmetros e defina o número de combinações como 20.
  2. Inicialize o objeto GridSearchCV.
  3. Treine ambos os objetos GridSearchCV e RandomizedSearchCV.
  4. Imprima o melhor estimador de grid.
  5. Imprima a melhor pontuação de randomized.

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 8
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

close

Awesome!

Completion rate improved to 3.13

bookDesafio: Ajuste de Hiperparâmetros com RandomizedSearchCV

Deslize para mostrar o menu

A ideia por trás do RandomizedSearchCV é que ele funciona da mesma forma que o GridSearchCV, mas em vez de testar todas as combinações, ele testa um subconjunto amostrado aleatoriamente.

Por exemplo, este param_grid terá 100 combinações:

param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
                         'weights': ['distance', 'uniform'],
                         'p': [1, 2, 3, 4, 5]}

O GridSearchCV testaria todas elas, o que é demorado. Com o RandomizedSearchCV, é possível testar apenas um subconjunto escolhido aleatoriamente de, por exemplo, 20 combinações. Normalmente, isso resulta em um desempenho um pouco inferior, mas é muito mais rápido.

Você pode controlar o número de combinações a serem testadas usando o argumento n_iter (definido como 10 por padrão). Fora isso, o uso é igual ao do GridSearchCV.

Tarefa

Swipe to start coding

Sua tarefa é construir GridSearchCV e RandomizedSearchCV com 20 combinações e comparar os resultados.

  1. Inicialize o objeto RandomizedSearchCV. Passe o grid de parâmetros e defina o número de combinações como 20.
  2. Inicialize o objeto GridSearchCV.
  3. Treine ambos os objetos GridSearchCV e RandomizedSearchCV.
  4. Imprima o melhor estimador de grid.
  5. Imprima a melhor pontuação de randomized.

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

close

Awesome!

Completion rate improved to 3.13
Seção 4. Capítulo 8
single

single

some-alt