GridSearchCV
Для підвищення продуктивності моделі налаштовують гіперпараметри. Суть проста: перевіряють різні значення, обчислюють оцінки крос-валідації та обирають те, що має найвищу оцінку.
Цей процес можна виконати за допомогою класу GridSearchCV з модуля sklearn.model_selection.
GridSearchCV потребує моделі та решітки параметрів (param_grid).
Приклад:
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 міститься у
.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_)
Після навчання GridSearchCV автоматично перенавчає найкращий оцінювач на всьому наборі даних.
Об'єкт grid_search стає фінальною навченою моделлю та може використовуватися безпосередньо з .predict() і .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
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
Свайпніть щоб показати меню
Для підвищення продуктивності моделі налаштовують гіперпараметри. Суть проста: перевіряють різні значення, обчислюють оцінки крос-валідації та обирають те, що має найвищу оцінку.
Цей процес можна виконати за допомогою класу GridSearchCV з модуля sklearn.model_selection.
GridSearchCV потребує моделі та решітки параметрів (param_grid).
Приклад:
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 міститься у
.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_)
Після навчання GridSearchCV автоматично перенавчає найкращий оцінювач на всьому наборі даних.
Об'єкт grid_search стає фінальною навченою моделлю та може використовуватися безпосередньо з .predict() і .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Дякуємо за ваш відгук!
