Summary  
Demonstrates how to perform exhaustive hyperparameter tuning by specifying a grid of parameter values, using cross-validation to evaluate each combination, and automatically retrieving and refitting the best model.

General domain of usage  
Machine learning

Для підвищення продуктивності моделі налаштовуються **гіперпараметри**. Суть проста: тестування різних значень, обчислення оцінок крос-валідації та вибір значення з **найвищою оцінкою**.

Цей процес можна виконати за допомогою класу `GridSearchCV` з модуля `sklearn.model_selection`.

`GridSearchCV` вимагає **модель** та **решітку параметрів** (`param_grid`).
Приклад:

```python
param_grid = {'n_neighbors': [1, 3, 5, 7]}
```

Після ініціалізації `GridSearchCV` виконайте `.fit(X, y)`.

* Найкраща модель знаходиться у `.best_estimator_`;
* Її оцінка крос-валідації знаходиться у `.best_score_`.

import 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_)

Після навчання `GridSearchCV` автоматично перенавчає **найкращий оцінювач** на повному наборі даних.
Об'єкт `grid_search` стає фінальною навченою моделлю і може використовуватися безпосередньо з `.predict()` та `.score()`.

grid_search.fit(X, y)
print(grid_search.score(X, y))   # training accuracy (not reliable for real evaluation)

Після навчання об'єкта `GridSearchCV` його можна використовувати для прогнозування за допомогою методу `.predict()`. Це правильно?

Машинне навчання використовується всюди. Бажаєте опанувати його самостійно? Цей курс є вступом у світ машинного навчання, де ви ознайомитеся з базовими поняттями, попрацюєте з Scikit-learn – найпопулярнішою бібліотекою для машинного навчання, та створите свій перший проєкт з машинного навчання.
Курс призначений для студентів з базовими знаннями Python, Pandas та Numpy.

Ознайомлення з концепціями машинного навчання та робочим процесом проєкту ML.

Попередня обробка є, ймовірно, найважливішим етапом проєкту машинного навчання. У цьому розділі розглядаються кроки попередньої обробки, необхідні для майже будь-якого набору даних.

Конвеєр — це зручний спосіб об'єднати всі етапи попередньої обробки та модель. Конвеєри значно спрощують навчання та використання моделі.

Моделювання — це найцікавіший етап проєкту машинного навчання. Дізнаймося, як створювати, налаштовувати та оцінювати модель!