Accéder au contenu principal
AccueilPython

cours

Hyperparameter Tuning in Python

Intermédiaire
Actualisé 02/2025
Learn techniques for automated hyperparameter tuning in Python, including Grid, Random, and Informed Search.
Commencer le cours gratuitement

Inclus avecPremium or Teams

PythonMachine Learning4 heures13 vidéos44 exercices3,400 XP20,314Certificat de réussite.

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.
Group

Formation de 2 personnes ou plus ?

Essayer DataCamp for Business

Apprécié par les apprenants de milliers d’entreprises

Description du cours

As a data or machine learning scientist, building powerful machine learning models depends heavily on the set of hyperparameters used. But with increasingly complex models with lots of options, how do you efficiently find the best settings for your particular problem? The answer is hyperparameter tuning!

Hyperparameters vs. parameters

Gain practical experience using various methodologies for automated hyperparameter tuning in Python with Scikit-Learn.

Learn the difference between hyperparameters and parameters and best practices for setting and analyzing hyperparameter values. This foundation will prepare you to understand the significance of hyperparameters in machine learning models.

Grid search

Master several hyperparameter tuning techniques, starting with Grid Search. Using credit card default data, you will practice conducting Grid Search to exhaustively search for the best hyperparameter combinations and interpret the results.

You will be introduced to Random Search, and learn about its advantages over Grid Search, such as efficiency in large parameter spaces.​

Informed search

In the final part of the course, you will explore advanced optimization methods, such as Bayesian and Genetic algorithms.

These informed search techniques are demonstrated through practical examples, allowing you to compare and contrast them with uninformed search methods. By the end, you will have a comprehensive understanding of how to optimize hyperparameters effectively to improve model performance​.

Conditions préalables

Supervised Learning with scikit-learn
1

Hyperparameters and Parameters

Commencer le chapitre
3

Random Search

Commencer le chapitre
4

Informed Search

Commencer le chapitre
Hyperparameter Tuning in Python
Cours
terminé

Obtenez un certificat de réussite

Ajoutez ces informations d’identification à votre profil LinkedIn, à votre CV ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance

Inclus avecPremium or Teams

S'inscrire maintenant

Rejoignez plus de 15 millions d’apprenants et commencer Hyperparameter Tuning in Python dès aujourd'hui !

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.