Ajuste de hiperparámetros

Un modelo de aprendizaje automático se define como un modelo matemático con una serie de parámetros que deben aprenderse de los datos. Al entrenar un modelo con datos existentes, podemos ajustar los parámetros del modelo.
Sin embargo, hay otro tipo de parámetros, conocidos como Hiperparámetros , que no se pueden aprender directamente del proceso de entrenamiento regular. Por lo general, se fijan antes de que comience el proceso de capacitación real. Estos parámetros expresan propiedades importantes del modelo, como su complejidad o qué tan rápido debe aprender.

Algunos ejemplos de hiperparámetros del modelo incluyen:

# Necessary imports
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
  
# Creating the hyperparameter grid
c_space = np.logspace(-5, 8, 15)
param_grid = {'C': c_space}
  
# Instantiating logistic regression classifier
logreg = LogisticRegression()
  
# Instantiating the GridSearchCV object
logreg_cv = GridSearchCV(logreg, param_grid, cv = 5)
  
logreg_cv.fit(X, y)
  
# Print the tuned parameters and score
print("Tuned Logistic Regression Parameters: {}".format(logreg_cv.best_params_)) 
print("Best score is {}".format(logreg_cv.best_score_))