Завдання: Налаштування Гіперпараметрів за Допомогою RandomizedSearchCV
Принцип роботи RandomizedSearchCV подібний до GridSearchCV, але замість перевірки всіх можливих комбінацій, він оцінює лише випадково вибрану підмножину.
Наприклад, наступний param_grid містить 100 комбінацій:
param_grid = {
'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
GridSearchCV перевірятиме всі 100, що є ресурсоємним. RandomizedSearchCV може замість цього оцінити меншу підмножину, наприклад, 20 випадково вибраних комбінацій. Це зменшує час обчислень і зазвичай дає результати, близькі до найкращих.
Кількість комбінацій для перевірки визначається аргументом n_iter (за замовчуванням — 10). В іншому використання таке ж, як і у GridSearchCV.
Swipe to start coding
- Ініціалізація об'єкта
RandomizedSearchCVз параметричною сіткою та встановленняn_iter=20. - Ініціалізація об'єкта
GridSearchCVз тією ж параметричною сіткою. - Навчання обох об'єктів пошуку за допомогою
.fit(X, y). - Виведення найкращого оцінювача з grid search за допомогою
.best_estimator_. - Виведення найкращого результату з randomized search за допомогою
.best_score_.
Рішення
Можна спробувати запустити код кілька разів. Зверніть увагу на різницю між двома оцінками. Іноді оцінки можуть бути однаковими через наявність найкращих параметрів серед комбінацій, вибраних RandomizedSearchCV.
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Can you explain when to use RandomizedSearchCV instead of GridSearchCV?
How do I choose the right value for n_iter in RandomizedSearchCV?
What are the main advantages and disadvantages of RandomizedSearchCV?
Awesome!
Completion rate improved to 3.13Завдання: Налаштування Гіперпараметрів за Допомогою RandomizedSearchCV
Свайпніть щоб показати меню
Принцип роботи RandomizedSearchCV подібний до GridSearchCV, але замість перевірки всіх можливих комбінацій, він оцінює лише випадково вибрану підмножину.
Наприклад, наступний param_grid містить 100 комбінацій:
param_grid = {
'n_neighbors': [1, 3, 5, 7, 9, 12, 15, 17, 20, 25],
'weights': ['distance', 'uniform'],
'p': [1, 2, 3, 4, 5]
}
GridSearchCV перевірятиме всі 100, що є ресурсоємним. RandomizedSearchCV може замість цього оцінити меншу підмножину, наприклад, 20 випадково вибраних комбінацій. Це зменшує час обчислень і зазвичай дає результати, близькі до найкращих.
Кількість комбінацій для перевірки визначається аргументом n_iter (за замовчуванням — 10). В іншому використання таке ж, як і у GridSearchCV.
Swipe to start coding
- Ініціалізація об'єкта
RandomizedSearchCVз параметричною сіткою та встановленняn_iter=20. - Ініціалізація об'єкта
GridSearchCVз тією ж параметричною сіткою. - Навчання обох об'єктів пошуку за допомогою
.fit(X, y). - Виведення найкращого оцінювача з grid search за допомогою
.best_estimator_. - Виведення найкращого результату з randomized search за допомогою
.best_score_.
Рішення
Можна спробувати запустити код кілька разів. Зверніть увагу на різницю між двома оцінками. Іноді оцінки можуть бути однаковими через наявність найкращих параметрів серед комбінацій, вибраних RandomizedSearchCV.
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Awesome!
Completion rate improved to 3.13single
