Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Apprendre Défi : Réglage des Hyperparamètres avec RandomizedSearchCV | Modélisation
Introduction au ML Avec Scikit-Learn

bookDéfi : Réglage des Hyperparamètres avec RandomizedSearchCV

Le principe de RandomizedSearchCV est similaire à celui de GridSearchCV, mais au lieu de tester toutes les combinaisons possibles, il évalue uniquement un sous-ensemble échantillonné aléatoirement.

Par exemple, le param_grid suivant contient 100 combinaisons :

param_grid = {
    'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
    'weights': ['distance', 'uniform'],
    'p': [1, 2, 3, 4, 5]
}

GridSearchCV testerait les 100 combinaisons, ce qui est chronophage. RandomizedSearchCV peut à la place évaluer un sous-ensemble plus restreint, par exemple 20 combinaisons choisies aléatoirement. Cela réduit le temps de calcul et donne généralement des résultats proches du meilleur.

Le nombre de combinaisons à tester est contrôlé par l’argument n_iter (la valeur par défaut est 10). À part cela, l’utilisation est identique à celle de GridSearchCV.

Tâche

Swipe to start coding

  1. Initialiser un objet RandomizedSearchCV avec la grille de paramètres et définir n_iter=20.
  2. Initialiser un objet GridSearchCV avec la même grille de paramètres.
  3. Entraîner les deux objets de recherche en utilisant .fit(X, y).
  4. Afficher le meilleur estimateur issu de la recherche par grille avec .best_estimator_.
  5. Afficher le meilleur score issu de la recherche aléatoire avec .best_score_.

Solution

Note
Remarque

Vous pouvez essayer d’exécuter le code plusieurs fois. Observez la différence entre les deux scores. Parfois, les scores peuvent être identiques en raison de la présence des meilleurs paramètres parmi les combinaisons échantillonnées par RandomizedSearchCV.

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 4. Chapitre 8
single

single

Demandez à l'IA

expand

Demandez à l'IA

ChatGPT

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

close

Awesome!

Completion rate improved to 3.13

bookDéfi : Réglage des Hyperparamètres avec RandomizedSearchCV

Glissez pour afficher le menu

Le principe de RandomizedSearchCV est similaire à celui de GridSearchCV, mais au lieu de tester toutes les combinaisons possibles, il évalue uniquement un sous-ensemble échantillonné aléatoirement.

Par exemple, le param_grid suivant contient 100 combinaisons :

param_grid = {
    'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
    'weights': ['distance', 'uniform'],
    'p': [1, 2, 3, 4, 5]
}

GridSearchCV testerait les 100 combinaisons, ce qui est chronophage. RandomizedSearchCV peut à la place évaluer un sous-ensemble plus restreint, par exemple 20 combinaisons choisies aléatoirement. Cela réduit le temps de calcul et donne généralement des résultats proches du meilleur.

Le nombre de combinaisons à tester est contrôlé par l’argument n_iter (la valeur par défaut est 10). À part cela, l’utilisation est identique à celle de GridSearchCV.

Tâche

Swipe to start coding

  1. Initialiser un objet RandomizedSearchCV avec la grille de paramètres et définir n_iter=20.
  2. Initialiser un objet GridSearchCV avec la même grille de paramètres.
  3. Entraîner les deux objets de recherche en utilisant .fit(X, y).
  4. Afficher le meilleur estimateur issu de la recherche par grille avec .best_estimator_.
  5. Afficher le meilleur score issu de la recherche aléatoire avec .best_score_.

Solution

Note
Remarque

Vous pouvez essayer d’exécuter le code plusieurs fois. Observez la différence entre les deux scores. Parfois, les scores peuvent être identiques en raison de la présence des meilleurs paramètres parmi les combinaisons échantillonnées par RandomizedSearchCV.

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

close

Awesome!

Completion rate improved to 3.13
Section 4. Chapitre 8
single

single

some-alt