Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Justering av Hyperparametrar med RandomizedSearchCV | Modellering
ML-Introduktion med Scikit-learn

bookUtmaning: Justering av Hyperparametrar med RandomizedSearchCV

Idén bakom RandomizedSearchCV är att den fungerar på samma sätt som GridSearchCV, men istället för att testa alla kombinationer provar den en slumpmässigt utvald delmängd.

Till exempel kommer detta param_grid att ha 100 kombinationer:

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

GridSearchCV skulle testa alla dessa, vilket är tidskrävande. Med RandomizedSearchCV kan du istället prova endast en slumpmässigt vald delmängd av till exempel 20 kombinationer. Det leder oftast till ett något sämre resultat, men går mycket snabbare.

Du kan styra antalet kombinationer som ska testas med argumentet n_iter (standardvärde är 10). I övrigt används den på samma sätt som GridSearchCV.

Uppgift

Swipe to start coding

Din uppgift är att bygga GridSearchCV och RandomizedSearchCV med 20 kombinationer och jämföra resultaten.

  1. Initiera objektet RandomizedSearchCV. Skicka in parametergriden och ange antalet kombinationer till 20.
  2. Initiera objektet GridSearchCV.
  3. Träna både GridSearchCV- och RandomizedSearchCV-objekten.
  4. Skriv ut den bästa estimatormodellen från grid.
  5. Skriv ut det bästa resultatet från randomized.

Lösning

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 8
single

single

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

close

Awesome!

Completion rate improved to 3.13

bookUtmaning: Justering av Hyperparametrar med RandomizedSearchCV

Svep för att visa menyn

Idén bakom RandomizedSearchCV är att den fungerar på samma sätt som GridSearchCV, men istället för att testa alla kombinationer provar den en slumpmässigt utvald delmängd.

Till exempel kommer detta param_grid att ha 100 kombinationer:

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

GridSearchCV skulle testa alla dessa, vilket är tidskrävande. Med RandomizedSearchCV kan du istället prova endast en slumpmässigt vald delmängd av till exempel 20 kombinationer. Det leder oftast till ett något sämre resultat, men går mycket snabbare.

Du kan styra antalet kombinationer som ska testas med argumentet n_iter (standardvärde är 10). I övrigt används den på samma sätt som GridSearchCV.

Uppgift

Swipe to start coding

Din uppgift är att bygga GridSearchCV och RandomizedSearchCV med 20 kombinationer och jämföra resultaten.

  1. Initiera objektet RandomizedSearchCV. Skicka in parametergriden och ange antalet kombinationer till 20.
  2. Initiera objektet GridSearchCV.
  3. Träna både GridSearchCV- och RandomizedSearchCV-objekten.
  4. Skriv ut den bästa estimatormodellen från grid.
  5. Skriv ut det bästa resultatet från randomized.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

close

Awesome!

Completion rate improved to 3.13
Avsnitt 4. Kapitel 8
single

single

some-alt