Uitdaging: Het Beste K-Waarde Kiezen
Zoals getoond in de vorige hoofdstukken, kunnen de voorspellingen van het model variëren afhankelijk van de waarde van k (het aantal buren). Bij het bouwen van een k-NN-model is het belangrijk om de k-waarde te kiezen die de beste prestaties oplevert.
Een gangbare aanpak is het gebruik van cross-validatie om de modelprestaties te evalueren. U kunt een lus uitvoeren en cross-validatiescores voor een reeks k-waarden berekenen, en vervolgens de waarde met de hoogste score selecteren. Dit is de meest gebruikte methode.
Om dit uit te voeren biedt sklearn een handig hulpmiddel: de GridSearchCV-klasse.
De parameter param_grid accepteert een dictionary waarbij de sleutels parameternamen zijn en de waarden lijsten met opties om te proberen. Om bijvoorbeeld waarden van 1 tot 99 voor n_neighbors te testen, kunt u schrijven:
param_grid = {'n_neighbors': range(1, 100)}
Door de .fit(X, y)-methode aan te roepen op het GridSearchCV-object, wordt het parameterrooster doorzocht om de beste parameters te vinden en vervolgens wordt het model opnieuw getraind op de volledige dataset met deze beste parameters.
U kunt de beste score opvragen met het attribuut .best_score_ en voorspellingen doen met het geoptimaliseerde model via de .predict()-methode. Op dezelfde manier kunt u het beste model zelf ophalen met het attribuut .best_estimator_.
Swipe to start coding
Je krijgt de Star Wars-beoordelingsdataset, opgeslagen als een DataFrame in de variabele df.
- Initialiseer
param_gridals een woordenboek met de parametern_neighborsen de waarden[3, 9, 18, 27]. - Maak een
GridSearchCV-object aan met behulp vanparam_gridmet 4-voudige crossvalidatie, train dit object en sla het op in de variabelegrid_search. - Haal het beste model op uit
grid_searchen sla dit op in de variabelebest_model. - Haal de score van het beste model op en sla deze op in de variabele
best_score.
Oplossing
Bedankt voor je feedback!
single
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 4.17Uitdaging: Het Beste K-Waarde Kiezen
Veeg om het menu te tonen
Zoals getoond in de vorige hoofdstukken, kunnen de voorspellingen van het model variëren afhankelijk van de waarde van k (het aantal buren). Bij het bouwen van een k-NN-model is het belangrijk om de k-waarde te kiezen die de beste prestaties oplevert.
Een gangbare aanpak is het gebruik van cross-validatie om de modelprestaties te evalueren. U kunt een lus uitvoeren en cross-validatiescores voor een reeks k-waarden berekenen, en vervolgens de waarde met de hoogste score selecteren. Dit is de meest gebruikte methode.
Om dit uit te voeren biedt sklearn een handig hulpmiddel: de GridSearchCV-klasse.
De parameter param_grid accepteert een dictionary waarbij de sleutels parameternamen zijn en de waarden lijsten met opties om te proberen. Om bijvoorbeeld waarden van 1 tot 99 voor n_neighbors te testen, kunt u schrijven:
param_grid = {'n_neighbors': range(1, 100)}
Door de .fit(X, y)-methode aan te roepen op het GridSearchCV-object, wordt het parameterrooster doorzocht om de beste parameters te vinden en vervolgens wordt het model opnieuw getraind op de volledige dataset met deze beste parameters.
U kunt de beste score opvragen met het attribuut .best_score_ en voorspellingen doen met het geoptimaliseerde model via de .predict()-methode. Op dezelfde manier kunt u het beste model zelf ophalen met het attribuut .best_estimator_.
Swipe to start coding
Je krijgt de Star Wars-beoordelingsdataset, opgeslagen als een DataFrame in de variabele df.
- Initialiseer
param_gridals een woordenboek met de parametern_neighborsen de waarden[3, 9, 18, 27]. - Maak een
GridSearchCV-object aan met behulp vanparam_gridmet 4-voudige crossvalidatie, train dit object en sla het op in de variabelegrid_search. - Haal het beste model op uit
grid_searchen sla dit op in de variabelebest_model. - Haal de score van het beste model op en sla deze op in de variabele
best_score.
Oplossing
Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande optiesBedankt voor je feedback!
single
