Grid Search applied to Ridge Model

grid_search_visualization.py

import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_boston
from sklearn.linear_model import Ridge

#verilerin yüklenmesi
boston = load_boston()
X = boston.data
y = boston.target

# 1. Grid Seacrh (Izgara Arama Algoritması) ile Model Kurgulanması
# Arama alanının yaratılması 0.001'den 100'e kadar
alphas_grid = {'alpha': [0.001, 0.002, 0.1, 0.2, 0.5, 0.75, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 50, 100]}

# modelin yaratılması
ridge_search_model = Ridge()

# Grid search objesinin model, alpha alanı ve 5 katlı çapraz geçerlilik kullanılarak yaratılması
# R2 metriği ile ölçümlenmesi
grid_search = GridSearchCV(estimator = ridge_search_model, param_grid=alphas_grid, 
                           cv = 5, scoring = 'r2', verbose = 1,
                           n_jobs = -1, return_train_score = True)

# grid search objesinin verilerle eğitilmesi
grid_search.fit(X, y)

# 2. Sonuçların görselleştirilmesi
# Sonuçların veri çerçevesi olarak kaydedilmesi
ridge_results = pd.DataFrame(grid_search.cv_results_)

# Eğitim ve test hatasının alpha alanı ile görselleştirilmesi
plt.figure(figsize=(10,10))
plt.plot(ridge_results['param_alpha'], ridge_results['mean_test_score'], label = 'Testing R2')
plt.plot(ridge_results['param_alpha'], ridge_results['mean_train_score'], label = 'Training R2')

# lejand, x ve y ekseninin adlandırılması, başlıklandırma
plt.xlabel('Alpha Values'); plt.ylabel('R2'); plt.legend();
plt.title('Performance vs Alpha', size=14);