Summary  
This chapter covers how to use GridSearchCV to perform grid search cross-validation for hyperparameter tuning: specify a parameter grid, fit the code to find the best estimator and its score, and automatically refit that estimator on the full dataset.  

General domain of usage  
Supervised classification

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:

```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 міститься 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 всьому наборі даних.
Об'єкт `grid_search` стає фінальною навченою моделлю та може використовуватися безпосередньо з `.predict()` і `.score()`.

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

Після тренування об'єкта `GridSearchCV` можна використовувати його для здійснення прогнозів за допомогою методу `.predict()`. Чи 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!