Svep för att visa menyn

För att förbättra modellens prestanda justeras hyperparametrar. Idén är enkel: testa olika värden, beräkna korsvalideringspoäng och välj det med högsta poäng.

Denna process kan utföras med hjälp av klassen GridSearchCV från modulen sklearn.model_selection.

GridSearchCV kräver en modell och ett parameterraster (param_grid). Exempel:

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

Efter att ha initierat GridSearchCV, anropa .fit(X, y).

Den bästa modellen finns i .best_estimator_;
Dess korsvalideringspoäng finns 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 träning återtränar GridSearchCV automatiskt bästa estimatorn på hela datasettet. grid_search-objektet blir den slutgiltiga tränade modellen och kan användas direkt med .predict() och .score().


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

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 6

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

GridSearchCV