Gridsearchcv
För att förbättra modellens prestanda justeras hyperparametrar. Idén är enkel: testa olika värden, beräkna korsvalideringspoäng och välj det värde som ger högst poäng.
Denna process kan utföras med klassen GridSearchCV från modulen sklearn.model_selection.
GridSearchCV kräver en modell och ett parametergrid (param_grid).
Exempel:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Efter att ha initierat GridSearchCV, anropa .fit(X, y).
- Den bästa modellen finns i
.best_estimator_; - Dess korsvalideringspoäng finns 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_)
Efter anpassning tränar GridSearchCV automatiskt om bästa estimatören på hela datasettet.
Objektet grid_search blir den slutgiltiga tränade modellen och kan användas direkt med .predict() och .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Tack för dina kommentarer!
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 3.13Gridsearchcv
Svep för att visa menyn
För att förbättra modellens prestanda justeras hyperparametrar. Idén är enkel: testa olika värden, beräkna korsvalideringspoäng och välj det värde som ger högst poäng.
Denna process kan utföras med klassen GridSearchCV från modulen sklearn.model_selection.
GridSearchCV kräver en modell och ett parametergrid (param_grid).
Exempel:
param_grid = {'n_neighbors': [1, 3, 5, 7]}
Efter att ha initierat GridSearchCV, anropa .fit(X, y).
- Den bästa modellen finns i
.best_estimator_; - Dess korsvalideringspoäng finns 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_)
Efter anpassning tränar GridSearchCV automatiskt om bästa estimatören på hela datasettet.
Objektet grid_search blir den slutgiltiga tränade modellen och kan användas direkt med .predict() och .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Tack för dina kommentarer!
