Ajuste de hiperparámetros

Código
Experto
ScikitLearn
ScikitLearn
5 min
200 XP
Actualizado: 28/02/2025

¡Practica y certifícate!

Retroalimentación
Soluciones
Certificado
Comenzar

Descripción

Este reto te ayudará a practicar el uso de GridSearchCV para ajustar hiperparámetros en un modelo de clasificación.

En este reto, experimentarás con el ajuste de hiperparámetros usando GridSearchCV de Scikit-Learn para optimizar un modelo de Máquina de Vectores de Soporte (SVM). Utilizarás el conocido conjunto de datos Iris proporcionado por Scikit-Learn. El objetivo es encontrar los valores óptimos para los hiperparámetros C, gamma y kernel del clasificador SVM.

Guarda tu progreso

Inicia sesión para no perder tu progreso y accede a miles de tutoriales, ejercicios prácticos y nuestro asistente de IA.

Progreso guardado
Asistente IA
Ejercicios
Iniciar sesión gratis

Más de 25.000 desarrolladores ya confían en CertiDevs

  1. Importar el conjunto de datos: Carga el conjunto de datos Iris usando datasets.load_iris().
  2. Definir el modelo: Configura un modelo base utilizando SVC() de Scikit-Learn.
  3. Definir la cuadrícula de hiperparámetros: Establece un conjunto de valores para los hiperparámetros C, gamma, y kernel.
  4. Configurar GridSearchCV: Configura GridSearchCV para buscar los mejores hiperparámetros. Asegúrate de usar validación cruzada con al menos 5 particiones.
  5. Ejecutar el ajuste de hiperparámetros: Utiliza el método fit de GridSearchCV sobre el conjunto de datos para encontrar la mejor combinación de hiperparámetros.
  6. Obtener resultados: Imprime los mejores hiperparámetros y la puntuación alcanzada con ellos.
  7. Repetir con RandomizedSearchCV.

Completa los pasos mencionados y asegúrate de implementar el código para realizar el ajuste de hiperparámetros de manera eficiente. Usa GridSearchCV para evaluar el clasificador SVM y lograr un rendimiento óptimo.

Solución al ejercicio

Contenido bloqueado

¡Desbloquea la solución completa!

Completa el examen para acceder a la solución paso a paso, explicaciones detalladas y mejores prácticas.

solution.js
JavaScript
1 function solveChallenge ( input ) {
2 // Algoritmo optimizado O(n log n)
3 const data = parseInput ( input );
4 const sorted = data . sort (( a , b ) => a - b );
5
6 // Aplicar técnica de dos punteros
7 let left = 0 , right = sorted . length - 1 ;
8 const result = [];
9
10 while ( left < right ) {
11 const sum = sorted [ left ] + sorted [ right ];
12 if ( sum === target ) {
13 result . push ([ sorted [ left ], sorted [ right ]]);
14 left ++; right --;
15 } else if ( sum < target ) {
16 left ++;
17 } else {
18 right --;
19 }
20 }
21
22 return result ;
23 }
Código completo
Explicaciones
Mejores prácticas
+1.200 developers han resuelto este ejercicio de programación

Practica con exámenes de ScikitLearn

Mejora tus habilidades con cientos de exámenes de práctica, recibe retroalimentación instantánea y obtén tu certificación cuando estés listo.

Retroalimentación

Aprende de tus errores

Progreso

Mide tu avance

Certificación

Valida tus habilidades

Únete a miles de desarrolladores mejorando sus habilidades

⭐⭐⭐⭐⭐
4.9/5 valoración