
286
로우코드 AI
음 코드를 추가하고 실행하여 하이퍼파라미터 튜닝을 수행하고, 최적의 후보 모델을 찾습니다.
grid_search.fit(X_train, y_train)
print(grid_search.best_params_)
추가된 두 번째 줄은 최적의 후보 모델에 대한 하이퍼파라미터를 출력합니다. 하이퍼파라미터
튜닝 과정은 구글 코랩에서
35
~
40
분 정도 소요됩니다. 샘플링 과정의 임의성에 따라 정확한
결과는 다를 수 있지만, 다음과 비슷한 결과를 볼 수 있습니다.
{'col_transformer__bucket_cond__n_bins': 11,
'col_transformer__bucket_odo__n_bins': 12,
'col_transformer__bucket_year__n_bins': 11,
'col_transformer__ohe__min_frequency': 1}
검증 데이터셋에 대해 가장 좋은 모델의 성능을 확인할 수 있으므로 이전 모델과 성능을 비교
할 수 있습니다. 신규 셀에 다음 코드를 실행하여 격자 탐색에서 최적의 모델에 대한
RMSE
를
출력합니다.
# 검증용 데이터셋을 불러옵니다(이미 불러왔더라도 확인차 다시 불러옵니다).
y_valid = valid_df['sellingprice']
X_valid = valid_df.drop('sellingprice', ...