Utmaning: 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
.
Swipe to start coding
Din uppgift är att bygga GridSearchCV
och RandomizedSearchCV
med 20 kombinationer och jämföra resultaten.
- Initiera objektet
RandomizedSearchCV
. Skicka in parametergriden och ange antalet kombinationer till 20. - Initiera objektet
GridSearchCV
. - Träna både
GridSearchCV
- ochRandomizedSearchCV
-objekten. - Skriv ut den bästa estimatormodellen från
grid
. - Skriv ut det bästa resultatet från
randomized
.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 3.13
Utmaning: 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
.
Swipe to start coding
Din uppgift är att bygga GridSearchCV
och RandomizedSearchCV
med 20 kombinationer och jämföra resultaten.
- Initiera objektet
RandomizedSearchCV
. Skicka in parametergriden och ange antalet kombinationer till 20. - Initiera objektet
GridSearchCV
. - Träna både
GridSearchCV
- ochRandomizedSearchCV
-objekten. - Skriv ut den bästa estimatormodellen från
grid
. - Skriv ut det bästa resultatet från
randomized
.
Lösning
Tack för dina kommentarer!
Awesome!
Completion rate improved to 3.13single