Meta tags:
description= GridSearchCV und RandomizedSearchCV in Python verwenden, um Hyperparameter von Machine-Learning-Modellen zu optimieren – mit scikit-learn-Beispielen.;
Headings (most frequently used words):
grid, search, hyperparameter, gridsearchcv, zur, optimierung, in, python, was, sind, wie, funktioniert, einfaches, beispiel, cv_results_, lesen, scoring, optionen, eine, pipeline, verwenden, um, data, leakage, zu, verhindern, randomizedsearchcv, schneller, bei, großen, rastern, vorhersagen, mit, dem, besten, modell, treffen, wann, verwendet, werden, sollte, praktische, tipps, verwandte, themen,
Text of the page (most frequently used words):
#python (60), die (28), sie (27), gridsearchcv (25), der (24), und (17), grid (17), import (17), mit (16), von (16), from (16), lernen (15), search (15), ein (15), ist (15), grid_search (15), sklearn (15), für (14), das (14), hyperparameter (14), matplotlib (14), pipeline (13), mysql (13), modell (12), mongodb (12), randomizedsearchcv (11), best (11), accuracy (11), alle (10), regression (10), den (10), eine (9), auf (9), kopieren (9), print (9), param_grid (9), listen (9), scoring (8), sind (8), einen (8), n_jobs (8), strings (8), html (7), verwenden (7), daten (7), folds (7), scikit (7), score (7), random_state (7), kombination (7), elemente (7), werden (6), dem (6), wie (6), was (6), kreuzvalidierung (6), einer (6), einem (6), raster (6), aus (6), test (6), the (6), set (6), load_iris (6), estimator (6), learn (6), string (6), w3docs (5), über (5), tools (5), verwendet (5), bei (5), cv_results_ (5), entscheidungsbaum (5), wenn (5), oder (5), learning (5), model (5), format (5), decisiontreeclassifier (5), max_depth (5), model_selection (5), anzahl (5), erstellen (5), tutorial (5), tuples (5), methoden (5), formatter (5), color (5), json (4), generator (4), beispiel (4), funktioniert (4), optimierung (4), automatisch (4), wird (4), for (4), fit (4), true (4), return_x_y (4), datasets (4), des (4), kombinationen (4), rand_search (4), svc (4), machine (4), dateien (4), entfernen (4), erste (4), schritte (4), dictionaries (4), listenelemente (4), durchlaufen (4), code (3), encoder (3), editor (3), quizze (3), übungen (3), php (3), javascript (3), css (3), wann (3), sollte (3), besten (3), treffen (3), großen (3), rastern (3), data (3), leakage (3), lesen (3), logistische (3), cpu (3), std_test_score (3), werten (3), haben (3), anpassungen (3), große (3), training (3), wichtig (3), anpassung (3), innerhalb (3), suche (3), hat (3), predictions (3), x_test (3), gini (3), criterion (3), nach (3), findet (3), beste (3), scipy (3), best_score_ (3), best_params_ (3), try (3), random (3), randint (3), min_samples_split (3), use (3), skalierung (3), vollständigen (3), vor (3), rank_test_score (3), durch (3), jede (3), zwei (3), zur (3), variablen (3), sets (3), hinzufügen (3), zugreifen (3), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), beautifier (2), diff (2), password (2), java (2), git (2), bücher (2), beispiele (2), snippets (2), verwandte (2), themen (2), praktische (2), tipps (2), vorhersagen (2), schneller (2), verhindern (2), optionen (2), einfaches (2), this (2), page (2), kategoriale (2), lineare (2), nearest (2), neighbors (2), geeignet (2), häufig (2), klassifikator (2), fache (2), hinweg (2), vorverarbeitung (2), immer (2), kerne (2), oft (2), setzen (2), groß (2), gegenüber (2), erwägen (2), kleines (2), sich (2), verfeinern (2), 100 (2), grob (2), als (2), aufwendig (2), viele (2), alternativen (2), reproduzierbarkeit (2), satz (2), kandidatenwerten (2), pro (2), nie (2), aber (2), best_model (2), best_estimator_ (2), test_score (2), y_test (2), evaluate (2), x_train (2), y_train (2), entropy (2), train_test_split (2), tree (2), n_iter (2), unterstützt (2), stats (2), nicht (2), erschöpfend (2), params (2), combinations (2), instead (2), all (2), param_dist (2), randomforestclassifier (2), none (2), 500 (2), jeder (2), syntax (2), ohne (2), fold (2), scaler (2), svc__c (2), pipe (2), scale (2), with (2), standardscaler (2), load_breast_cancer (2), trainingsdaten (2), anpassen (2), datensatz (2), acc (2), refit (2), f1_weighted (2), multiple (2), classification (2), standardmäßig (2), optimiert (2), estimators (2), können (2), eingebauten (2), standardabweichung (2), dass (2), diese (2), mean_test_score (2), results (2), cols (2), pandas (2), dict (2), arrays (2), parameters (2), optimierende (2), argument (2), jedes (2), means (2), cross (2), validation (2), führt (2), speichert (2), ihnen (2), werte (2), tiefenbegrenzung (2), gelernt (2), neuronalen (2), netz (2), man (2), eines (2), and (2), handling (2), zahlen (2), klassen (2), limit (2), update (2), drop (2), collection (2), delete (2), insert (2), datenbank (2), einführung (2), schleifen (2), verbinden (2), ändern (2), hash (2), 2026, rechte, vorbehalten, entwickler, gemacht, sprache, datenschutzrichtlinie, kontakt, uns, unternehmen, probier, üben, kostenlose, tutorials, web, seit, 2014, next, previous, yes, helpful, regularisierte, regressionsvarianten, klassische, ziele, metric, n_neighbors, weiteres, schnelles, gut, optimiertes, verstehen, auswertung, antreibt, klassifikatoren, wodurch, klassenanteile, erhalten, bleiben, stratifiedkfold, stratifizierte, klassifikation, wickeln, bevor, übergeben, dies, wichtigste, praxis, zuverlässige, scores, kombinieren, nutzen, kostet, nichts, bringt, modernen, rechner, fachen, geschwindigkeitsvorteil, empfindlich, jeweiligen, datenteilung, erhöhen, mehr, sammeln, beobachten, standardabweichungen, größenordnungen, erstrecken, sobald, vielversprechende, region, gefunden, feineren, beginnen, halving, strategien, scheiden, schwach, performende, kandidaten, früh, benötigen, insgesamt, weniger, halvinggridsearchcv, automatisches, stoppen, wünschen, deep, ensembles, bayesianische, optimierungsbibliotheken, klügere, entscheidungen, zufälliges, sampling, optuna, optimize, parameter, vielen, zuerst, raum, einzugrenzen, dann, vollständigkeit, wissen, welche, wichtigsten, sinnvollen, mittelgroßes, schnell, trainiert, sekunden, bis, wenige, minuten, gute, standardwahl, halten, separaten, zurückgehaltenen, testdatensatz, bereit, während, kreuzvalidierungs, schätzt, generalisierungsfähigkeit, eigentliche, abschließende, bewertung, erfolgen, berührt, first, samples, predict, access, directly, held, out, test_size, verhält, normaler, attribut, enthält, neu, angepasste, nahezu, optimale, lösung, bruchteil, rechenzeit, nein, nah, dran, rasters, garantiert, via, kontinuierliche, verteilungen, suchräume, kleine, klar, definierte, vollständig, deterministisch, zufällige, stichprobe, suchstrategie, param_distributions, log2, sqrt, max_features, integer, n_estimators, distributions, discrete, lists, ensemble, erschöpfende, unpraktisch, kandidatenwerte, zieht, feste, zufälliger, anstatt, testen, doppelunterstrich, entscheidend, teilt, schritt, weiterzugeben, würde, datensatzes, informationen, einführen, optimistischen, liefern, auto, svc__gamma, rbf, linear, svc__kernel, reference, steps, double, underscore, step__param, build, then, classify, svm, preprocessing, ihre, abhängt, imputation, feature, selektion, müssen, preprocessor, nur, trainings, niemals, aufteilung, übernimmt, nahtlos, pick, metrics, once, one, you, care, most, about, note, negative, higher, better, neg_mean_squared_error, binary, roc_auc, multi, class, scoring_options, common, standardmetrik, beliebigen, scorer, eigenen, angeben, rang, gewinner, hoher, wert, bedeutet, instabil, durchschnittliche, wichtige, spalten, false, index, to_string, head, sort_values, param_criterion, param_min_samples_split, param_max_depth, show, top, mean, dataframe, eintrag, getesteter, nützlichsten, schlüssel, 967, typische, ausgabe, parallelen, jobs, verfügbaren, metrik, methode, üblicher, standardwert, parameternamen, abbildet, zweck, bewirkt, verbose, cores, each, combination, define, values, hyperparameters, yet, folgende, iris, beträgt, 135, handhabbar, schnelle, modelle, langsame, passt, diesen, einstellungen, trainingsdatensatz, siehe, durchschnittswert, erzeugt, angegebenen, rasterenumeration, kombiniert, konzepte, wahl, falscher, kann, dazu, führen, leistungsfähiges, erheblich, schlechter, abschneidet, überanpassen, wenig, korrekte, begrenzung, hängt, systematisch, statt, raten, festgelegt, steuern, lernprozess, selbst, beim, gewichte, schwellenwerte, splits, modellparameter, arten, parametern, datensätze, sodass, sofort, ausgeführt, schnelleren, vorzuziehen, vermeidung, schnellere, alternative, verwendung, parallelisierung, liest, versteht, getestet, wurde, parameterraster, durchsucht, warum, seite, behandelt, prozess, konfigurationswerte, modells, finden, zum, tiefe, entscheidungsbaums, regularisierungsstärke, logistischen, neuronen, direkteste, ansatz, definiert, diskreten, jeden, probiert, behält, modellen, optimieren, beispielen, http, anfragen, pytest, pakete, virtuelle, umgebungen, tooling, practices, threading, asyncio, concurrency, csv, sys, itertools, collections, ausnahmen, auslösen, error, standard, library, addieren, umkehren, duplikate, how, enums, abstrakte, kapselung, polymorphismus, dataclasses, static, classmethod, property, magic, methods, advanced, oop, match, anweisung, enumerate, zip, map, comprehensions, kontextmanager, rekursion, closures, generatoren, decorators, args, kwargs, type, hints, intermediate, sort, query, find, join, table, order, where, select, tabelle, einstieg, auc, roc, kurve, bootstrap, aggregation, hierarchisches, clustering, konfusionsmatrix, train, polynomiale, streudiagramm, normalverteilung, datenverteilung, perzentil, mittelwert, median, modus, kreisdiagramme, histogramme, balken, scatter, subplot, beschriftungen, linie, marker, plotting, pyplot, django, numpy, modules, löschen, schreiben, dateiverarbeitung, file, formatierung, benutzereingabe, except, pip, regex, math, datumsangaben, module, scope, iteratoren, vererbung, objekte, lambda, funktionen, while, else, tupeln, gruppieren, operatoren, booleans, casting, datentypen, kommentare, variablennamen, aktualisieren, tupel, entpacken, tuple, sortieren, slicen, home, ausgabevariablen, verschachtelte, modifizieren, list, comprehension, zusammenführen, globale, escape, zeichen, dictionary, verketten, mehrere, zuweisen, aufrufen, anmelden, durchsuchen, formatters, url, reverse, sha256, md5, length, calculator, colors, hsl, hex, mixer, converter, picker, general, kurse,
Text of the page (random words):
nen javascript lernen git lernen java lernen php lernen python lernen kurse quizze übungen snippets tools general tools html editor password generator html encoder code diff json beautifier alle 13 color tools color picker color converter color mixer color hex colors hsl alle 10 string tools string length calculator md5 hash generator sha256 hash generator string reverse url encoder alle 19 code formatters javascript formatter css formatter html formatter json formatter php formatter w3docs durchsuchen k de english en deutsch de русский ru français fr español es português pt italiano it anmelden python lernen python tutorial auf elemente zugreifen auf listenelemente zugreifen auf set elemente zugreifen tuples aufrufen elemente hinzufügen listenelemente hinzufügen set elemente hinzufügen mehrere werte zuweisen elemente ändern listenelemente ändern strings verketten dictionaries kopieren listen kopieren dictionary methoden escape zeichen format strings globale variablen listen verbinden sets zusammenführen tuples verbinden list comprehension listen methoden dictionaries durchlaufen listen durchlaufen sets durchlaufen tuples durchlaufen strings modifizieren verschachtelte dictionaries ausgabevariablen python home python listen python sets python strings python tuples python variablen elemente entfernen listenelemente entfernen set elemente entfernen set methoden strings slicen listen sortieren string methoden tuple methoden tupel entpacken tuples aktualisieren variablennamen python einführung python erste schritte python syntax python kommentare python variablen python datentypen python zahlen python casting python strings python booleans python operatoren python listen python tupeln gruppieren python dictionaries python if else python while schleifen python for schleifen python funktionen python lambda python arrays python klassen objekte python vererbung python iteratoren python scope python module python datumsangaben python math python json python regex python pip python try except python benutzereingabe python string formatierung file handling python dateiverarbeitung python dateien lesen python dateien schreiben erstellen python dateien löschen python modules numpy tutorial pandas tutorial scipy tutorial django tutorial python matplotlib matplotlib einführung matplotlib erste schritte matplotlib pyplot matplotlib plotting matplotlib marker matplotlib linie matplotlib beschriftungen matplotlib grid matplotlib subplot matplotlib scatter matplotlib balken matplotlib histogramme matplotlib kreisdiagramme machine learning erste schritte mittelwert median modus standardabweichung perzentil datenverteilung normalverteilung von daten streudiagramm lineare regression polynomiale regression multiple regression skalierung train test entscheidungsbaum konfusionsmatrix hierarchisches clustering logistische regression grid search kategoriale daten k means bootstrap aggregation cross validation auc roc kurve k nearest neighbors python mysql mysql einstieg mysql datenbank erstellen mysql tabelle erstellen mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb mongodb erste schritte mongodb datenbank erstellen mongodb collection erstellen mongodb insert mongodb find mongodb query mongodb sort mongodb delete mongodb drop collection mongodb update mongodb limit intermediate python f strings type hints args kwargs decorators generatoren closures rekursion kontextmanager comprehensions enumerate zip map match anweisung advanced oop magic methods property static classmethod dataclasses polymorphismus kapselung abstrakte klassen enums python how to listen duplikate entfernen string umkehren zwei zahlen addieren error handling and the standard library ausnahmen auslösen collections itertools os sys random csv dateien concurrency in python asyncio threading python tooling and best practices virtuelle umgebungen pakete pytest http anfragen grid search zur hyperparameter optimierung in python gridsearchcv und randomizedsearchcv in python verwenden um hyperparameter von machine learning modellen zu optimieren mit scikit learn beispielen hyperparameter optimierung ist der prozess die konfigurationswerte eines machine learning modells zu finden die nicht aus den daten gelernt werden zum beispiel die tiefe eines entscheidungsbaums die regularisierungsstärke einer logistischen regression oder die anzahl der neuronen in einem neuronalen netz grid search ist der direkteste ansatz man definiert einen diskreten satz von werten für jeden hyperparameter probiert jede kombination aus und behält die beste diese seite behandelt was hyperparameter sind und warum sie wichtig sind wie gridsearchcv ein parameterraster erschöpfend durchsucht wie man cv_results_ liest und versteht was getestet wurde verwendung von n_jobs 1 zur parallelisierung der suche randomizedsearchcv als schnellere alternative für große raster kombination von grid search mit einer pipeline zur vermeidung von data leakage wann grid search gegenüber schnelleren alternativen vorzuziehen ist alle beispiele verwenden die eingebauten datensätze von scikit learn sodass sie sofort ausgeführt werden können was sind hyperparameter jedes machine learning modell hat zwei arten von parametern modellparameter werden beim training automatisch gelernt z b die gewichte in einem neuronalen netz die schwellenwerte für splits in einem entscheidungsbaum hyperparameter werden von ihnen vor dem training festgelegt sie steuern den lernprozess selbst die wahl falscher hyperparameter kann dazu führen dass ein leistungsfähiges modell erheblich schlechter abschneidet ein entscheidungsbaum ohne tiefenbegrenzung wird die trainingsdaten überanpassen einer mit einer tiefenbegrenzung von 1 wird zu wenig anpassen die korrekte begrenzung hängt von den daten ab grid search findet sie systematisch statt durch raten wie gridsearchcv funktioniert gridsearchcv aus scikit learn kombiniert zwei konzepte rasterenumeration es erzeugt jede kombination der von ihnen angegebenen hyperparameter werte kreuzvalidierung für jede kombination führt es eine k fache kreuzvalidierung durch siehe kreuzvalidierung in python und speichert den durchschnittswert nach der suche speichert gridsearchcv die beste kombination und passt automatisch ein modell mit diesen einstellungen an den vollständigen trainingsdatensatz an die anzahl der anpassungen beträgt kombinationen cv folds ein raster mit 3 3 3 27 kombinationen und cv 5 führt 135 anpassungen durch handhabbar für schnelle modelle aufwendig für langsame einfaches gridsearchcv beispiel das folgende beispiel optimiert einen entscheidungsbaum klassifikator auf dem iris datensatz from sklearn tree import decisiontreeclassifier from sklearn model_selection import gridsearchcv from sklearn datasets import load_iris x y load_iris return_x_y true model with no hyperparameters set yet model decisiontreeclassifier random_state 42 define the grid of values to try param_grid max_depth 2 3 5 none min_samples_split 2 5 10 criterion gini entropy cv 5 means 5 fold cross validation for each combination grid_search gridsearchcv estimator model param_grid param_grid cv 5 scoring accuracy n_jobs 1 use all cpu cores verbose 0 grid_search fit x y print best parameters grid_search best_params_ print best cv accuracy 3f format grid_search best_score_ kopieren was jedes argument bewirkt argument zweck estimator das zu optimierende modell jeder scikit learn estimator funktioniert param_grid dict das parameternamen auf listen von kandidatenwerten abbildet cv anzahl der folds bei der kreuzvalidierung 5 ist ein üblicher standardwert scoring zu optimierende metrik standardmäßig die score methode des estimators n_jobs anzahl der parallelen jobs 1 verwendet alle verfügbaren cpu kerne typische ausgabe best parameters criterion gini max_depth 3 min_samples_split 2 best cv accuracy 0 967 kopieren cv_results_ lesen nach der anpassung ist grid_search cv_results_ ein dict aus arrays ein eintrag pro getesteter kombination die nützlichsten schlüssel sind import pandas as pd results pd dataframe grid_search cv_results_ show top 5 combinations by mean test score cols param_max_depth param_min_samples_split param_criterion mean_test_score std_test_score rank_test_score print results cols sort_values rank_test_score head 5 to_string index false kopieren wichtige spalten mean_test_score der durchschnittliche cv score über alle folds für diese kombination std_test_score standardabweichung ein hoher wert bedeutet dass der score über folds hinweg instabil ist rank_test_score rang 1 ist der gewinner scoring optionen standardmäßig optimiert gridsearchcv die standardmetrik des estimators sie können einen beliebigen eingebauten scorer oder einen eigenen angeben common scoring strings scoring_options accuracy classification f1_weighted f1 for multi class roc_auc binary classification neg_mean_squared_error regression note negative so higher better r2 regression evaluate multiple metrics at once refit on the one you care most about grid_search gridsearchcv estimator decisiontreeclassifier random_state 42 param_grid max_depth 2 3 5 cv 5 scoring acc accuracy f1 f1_weighted refit acc use accuracy to pick the best model n_jobs 1 kopieren eine pipeline verwenden um data leakage zu verhindern wenn ihre vorverarbeitung von den trainingsdaten abhängt skalierung imputation feature selektion müssen sie den preprocessor nur auf trainings folds anpassen niemals auf dem vollständigen datensatz vor der aufteilung eine pipeline übernimmt das automatisch und funktioniert nahtlos mit gridsearchcv from sklearn pipeline import pipeline from sklearn preprocessing import standardscaler from sklearn svm import svc from sklearn datasets import load_breast_cancer from sklearn model_selection import gridsearchcv x y load_breast_cancer return_x_y true build a pipeline scale then classify pipe pipeline scaler standardscaler svc svc reference pipeline steps with double underscore step__param param_grid svc__c 0 1 1 10 svc__kernel linear rbf svc__gamma scale auto grid_search gridsearchcv pipe param_grid cv 5 scoring accuracy n_jobs 1 grid_search fit x y print best params grid_search best_params_ print best cv accuracy 3f format grid_search best_score_ kopieren die doppelunterstrich syntax svc__c ist entscheidend sie teilt scikit learn mit c an den svc schritt innerhalb der pipeline weiterzugeben ohne eine pipeline würde die skalierung des vollständigen datensatzes vor der kreuzvalidierung informationen aus dem test fold in den scaler einführen und einen zu optimistischen score liefern randomizedsearchcv schneller bei großen rastern erschöpfende grid search wird unpraktisch wenn jeder hyperparameter viele kandidatenwerte hat randomizedsearchcv zieht eine feste anzahl zufälliger kombinationen anstatt alle zu testen from sklearn model_selection import randomizedsearchcv from sklearn ensemble import randomforestclassifier from sklearn datasets import load_iris from scipy stats import randint x y load_iris return_x_y true use distributions instead of discrete lists param_dist n_estimators randint 50 500 random integer in 50 500 max_depth 3 5 10 none min_samples_split randint 2 20 max_features sqrt log2 rand_search randomizedsearchcv estimator randomforestclassifier random_state 42 param_distributions param_dist n_iter 30 try 30 random combinations instead of all cv 5 scoring accuracy n_jobs 1 random_state 42 rand_search fit x y print best params rand_search best_params_ print best cv accuracy 3f format rand_search best_score_ kopieren gridsearchcv vs randomizedsearchcv gridsearchcv randomizedsearchcv suchstrategie erschöpfend alle kombinationen zufällige stichprobe reproduzierbarkeit vollständig deterministisch random_state setzen am besten geeignet für kleine klar definierte raster große suchräume kontinuierliche verteilungen nicht unterstützt unterstützt via scipy stats findet garantiert das beste ja innerhalb des rasters nein aber oft nah dran bei großen rastern findet randomizedsearchcv mit n_iter 50 100 häufig eine nahezu optimale lösung in einem bruchteil der rechenzeit vorhersagen mit dem besten modell treffen nach der anpassung verhält sich gridsearchcv wie ein normaler estimator das attribut best_estimator_ enthält das neu angepasste modell from sklearn model_selection import train_test_split from sklearn tree import decisiontreeclassifier from sklearn model_selection import gridsearchcv from sklearn datasets import load_iris x y load_iris return_x_y true x_train x_test y_train y_test train_test_split x y test_size 0 2 random_state 42 param_grid max_depth 2 3 5 criterion gini entropy grid_search gridsearchcv decisiontreeclassifier random_state 42 param_grid cv 5 n_jobs 1 grid_search fit x_train y_train evaluate on the held out test set test_score grid_search score x_test y_test print test accuracy 3f format test_score access the best model directly best_model grid_search best_estimator_ predictions best_model predict x_test 5 print predictions for first 5 test samples predictions kopieren wichtig halten sie immer einen separaten zurückgehaltenen testdatensatz bereit der während der grid search nie verwendet wird der kreuzvalidierungs score innerhalb von gridsearchcv schätzt die generalisierungsfähigkeit aber die eigentliche abschließende bewertung sollte auf daten erfolgen die die suche nie berührt hat wann grid search verwendet werden sollte grid search ist eine gute standardwahl wenn sie ein kleines oder mittelgroßes modell haben das schnell trainiert sekunden bis wenige minuten pro anpassung sie grob wissen welche hyperparameter am wichtigsten sind und einen sinnvollen satz von kandidatenwerten haben reproduzierbarkeit und vollständigkeit wichtig sind erwägen sie alternativen wenn das raster groß ist viele parameter mit vielen werten verwenden sie zuerst randomizedsearchcv um den raum einzugrenzen und verfeinern sie dann mit gridsearchcv das training aufwendig ist deep learning große ensembles bayesianische optimierungsbibliotheken wie scikit optimize oder optuna treffen klügere entscheidungen als zufälliges sampling sie automatisches stoppen wünschen halving strategien halvinggridsearchcv scheiden schwach performende kandidaten früh aus und benötigen insgesamt weniger anpassungen praktische tipps beginnen sie grob verwenden sie ein kleines raster mit werten die sich über größenordnungen erstrecken z b c 0 01 0 1 1 10 100 sobald sie eine vielversprechende region gefunden haben verfeinern sie mit einem feineren raster beobachten sie standardabweichungen wenn std_test_score groß ist ist das modell empfindlich gegenüber der jeweiligen datenteilung erwägen sie cv zu erhöhen oder mehr daten zu sammeln setzen sie n_jobs 1 um alle cpu kerne zu nutzen das kostet nichts und bringt auf einem modernen rechner oft einen 4 8 fachen geschwindigkeitsvorteil kombinieren sie mit einer pipeline wickeln sie vorverarbeitung und modell immer in einer pipeline ein bevor sie sie an gridsearchcv übergeben dies i...
|
