Gridsearchcv
Para melhorar o desempenho do modelo, ajustam-se os hiperparâmetros. A ideia é simples: testar diferentes valores, calcular as pontuações de validação cruzada e escolher aquele com a maior pontuação.
Esse processo pode ser realizado utilizando a classe GridSearchCV do módulo sklearn.model_selection.
GridSearchCV requer um modelo e uma grade de parâmetros (param_grid).
Exemplo:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Após inicializar o GridSearchCV, utilize .fit(X, y).
- O melhor modelo está em
.best_estimator_; - Sua pontuação de validação cruzada está em
.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_)
Após o ajuste, o GridSearchCV re-treina automaticamente o melhor estimador em todo o conjunto de dados.
O objeto grid_search torna-se o modelo final treinado e pode ser utilizado diretamente com .predict() e .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
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
Deslize para mostrar o menu
Para melhorar o desempenho do modelo, ajustam-se os hiperparâmetros. A ideia é simples: testar diferentes valores, calcular as pontuações de validação cruzada e escolher aquele com a maior pontuação.
Esse processo pode ser realizado utilizando a classe GridSearchCV do módulo sklearn.model_selection.
GridSearchCV requer um modelo e uma grade de parâmetros (param_grid).
Exemplo:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Após inicializar o GridSearchCV, utilize .fit(X, y).
- O melhor modelo está em
.best_estimator_; - Sua pontuação de validação cruzada está em
.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_)
Após o ajuste, o GridSearchCV re-treina automaticamente o melhor estimador em todo o conjunto de dados.
O objeto grid_search torna-se o modelo final treinado e pode ser utilizado diretamente com .predict() e .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Obrigado pelo seu feedback!
