GridSearchCV
Свайпніть щоб показати меню
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:
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_.
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 повному наборі даних.
Об'єкт grid_search стає фінальною навченою моделлю і може використовуватися безпосередньо з .predict() та .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
GridSearchCV
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:
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_.
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 повному наборі даних.
Об'єкт grid_search стає фінальною навченою моделлю і може використовуватися безпосередньо з .predict() та .score().
12grid_search.fit(X, y) print(grid_search.score(X, y)) # training accuracy (not reliable for real evaluation)
Дякуємо за ваш відгук!
