Stryg for at vise menuen

For at forbedre modelpræstationen justeres hyperparametre. Idéen er enkel: test forskellige værdier, beregn krydsvalideringsscore, og vælg den med højeste score.

Denne proces kan udføres ved hjælp af GridSearchCV-klassen fra modulet sklearn.model_selection.

GridSearchCV kræver en model og et parametergrid (param_grid). Eksempel:

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

Efter initialisering af GridSearchCV kaldes .fit(X, y).

Den bedste model findes i .best_estimator_;
Dens krydsvalideringsscore findes i .best_score_.


              12345678910111213
            
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_)

Efter træning genoplærer GridSearchCV automatisk den bedste estimator på hele datasættet. grid_search-objektet bliver den endelige trænede model og kan bruges direkte med .predict() og .score().


              12
            
grid_search.fit(X, y)
print(grid_search.score(X, y))   # training accuracy (not reliable for real evaluation)

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 6

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

GridSearchCV