Özet - Grid search
- Makine Öğrenmesi kursu
- Orta seviye
- Ders 24/112
- 6 dk
Bu grupta GridSearchCV ve hiperparametre ayarını öğrendin.
Özet: ızgara araması
Bu grupta:
- Hiperparametreler CV ile, yalnızca eğitim kümesinde aranır; ızgaralar logaritmik kurulur.
GridSearchCV: kartezyen çarpım,scoring,refit,n_jobs.- Sözlük listesiyle koşullu ızgara;
ParameterGridile sayım. best_params_,best_estimator_,cv_results_; kenarda kalan optimum ızgarayı genişletme işaretidir.best_score_iyimserdir; büyük aramalardaRandomizedSearchCV.
Uygulama Model seçimi tek aramada
Pipeline([("olcek", StandardScaler()), ("model", SVC())]) için ızgarada "model" adımını [SVC(), LogisticRegression(max_iter=5000), KNeighborsClassifier()] arasında dene. GridSearchCV(..., cv=5) ile seçilen modelin sınıf adını (type(gs.best_params_["model"]).__name__) ve test doğruluğunu round(..., 3) ile alt alta yazdır.
Başlangıç kodu
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0, stratify=y)
# buraya yazÖrnek çözüm
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0, stratify=y)
pipe = Pipeline([("olcek", StandardScaler()), ("model", SVC())])
gs = GridSearchCV(pipe, {"model": [SVC(), LogisticRegression(max_iter=5000), KNeighborsClassifier()]}, cv=5)
gs.fit(X_train, y_train)
print(type(gs.best_params_["model"]).__name__)
print(round(gs.score(X_test, y_test), 3))Beklenen çıktı
SVC 0.958
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 Aynı bütçeyle 5 parametreli büyük bir uzayı aramak için hangisi genellikle daha verimlidir?
- Tam GridSearchCV
- Elle deneme
- Test kümesinde arama
- RandomizedSearchCV Doğru cevap
Açıklama: Rastgele arama önemli parametrelerin daha çok farklı değerini dener.
2 Aramayı tüm çekirdeklerde çalıştır.
Soru
gs = GridSearchCV(pipe, izgara, cv=5, ____=-1)
Cevap
gs = GridSearchCV(pipe, izgara, cv=5, n_jobs=-1)Açıklama: n_jobs=-1 tüm işlemcileri kullanır.
3 Araçları eşleştir.
| Kavram | Anlamı |
|---|---|
GridSearchCV |
Tüm kombinasyonlar |
RandomizedSearchCV |
n_iter örnek |
ParameterGrid |
Kombinasyon listesi |
cv_results_ |
Ayrıntılı sonuçlar |