Я применяю поиск по сетке в логистической регрессии, чтобы найти комбинацию параметров, обеспечивающую наилучшую точность. В этой части кода я настроил только два гиперпараметра (скорость обучения и итерации или «n_steps»), но у меня возникают некоторые трудности, если я хочу настроить более двух параметров (например, скорость обучения, итерации и коэффициент регуляризации или «lmd»).
Примечание. Мне нужно делать все с нуля, поэтому я не могу использовать sklearn, а только numpy.
Это мой код, в котором я настроил Learning_rate и количество итераций:
max_accuracy = 0
learning_rates = [0.01, 0.02, 0.03, 0.04, 0.05, 0.001, 0.002, 0.003, 0.004, 0.005]
iterations = [1000, 1500, 2000, 2500, 3000]
parameters = []
for i in learning_rates:
for j in iterations:
parameters.append((i, j))
print("Possible combinations: ", parameters)
for k in range(len(parameters)):
model = LogisticRegression(learning_rate=parameters[k][0], n_steps=parameters[k][1], n_features=X_train.shape[1], lmd=2)
model.fit_reg(X_train, y_train, X_valid, y_valid)
Y_pred = model.predict(X_test, thrs=0.5)
Как мне изменить код, если я хочу настроить Learning_rate, n_steps и lmd?
Мы можем использовать приведенный ниже код, где функция grid_search принимает в качестве входных данных модель, обучающие данные X и y и словарь param_grid, который определяет гиперпараметры и их возможные значения. Функция перебирает все возможные комбинации гиперпараметров, подбирает модель под каждую комбинацию и вычисляет оценку. В конце функция возвращает комбинацию с наивысшим баллом в качестве лучших гиперпараметров и лучшего балла.
import itertools
import numpy as np
def grid_search(model, X, y, param_grid):
best_score = -np.inf
best_params = {}
for combination in itertools.product(*param_grid.values()):
params = dict(zip(param_grid.keys(), combination))
model.set_params(**params)
model.fit(X, y)
score = model.score(X, y)
if score > best_score:
best_score = score
best_params = params
return best_params, best_score
param_grid = {
'a': [1, 2, 3],
'b': [4, 5, 6],
'c': [7, 8, 9]
}
model = LogisticRegression()
best_params, best_score = grid_search(model, X, y, param_grid)
Я собираюсь использовать ваш код, и я изменю его как можно меньше. Я также собираюсь использовать [1, 2, 3] в качестве списка возможных значений для lmd, но вы можете изменить эти значения на те, которые хотите попробовать.
max_accuracy = 0
learning_rates = [0.01, 0.02, 0.03, 0.04, 0.05, 0.001, 0.002, 0.003, 0.004, 0.005]
iterations = [1000, 1500, 2000, 2500, 3000]
lmd = [1, 2, 3]
parameters = []
for i in learning_rates:
for j in iterations:
for k in lmd:
parameters.append((i, j, k))
print("Possible combinations: ", parameters)
for k in range(len(parameters)):
model = LogisticRegression(learning_rate=parameters[k][0], n_steps=parameters[k][1], n_features=X_train.shape[1], lmd=parameters[k][2])
model.fit_reg(X_train, y_train, X_valid, y_valid)
Y_pred = model.predict(X_test, thrs=0.5)
По сути, чтобы добавить третий гиперпараметр, вы просто добавляете третий список, который вы собираетесь перебирать, чтобы создать свой список гиперпараметров, и дополнительный вложенный цикл for для добавления всех возможных комбинаций гиперпараметров. Вы можете сделать то же самое с четвертым гиперпараметром и так далее.
Удачи!