Začněte nyníZačněte zdarma

Grid search CV pro složitost modelu

V poslední části jsi viděl/a, že většina klasifikátorů má jeden nebo více hyperparametrů, které řídí jejich složitost. Naučil/a ses je také ladit pomocí GridSearchCV(). V tomto cvičení si tuto dovednost zdokonalíš. Budeš experimentovat s:

  • Počtem stromů, n_estimators, v RandomForestClassifier.
  • Maximální hloubkou, max_depth, rozhodovacích stromů použitých v AdaBoostClassifier.
  • Počtem nejbližších sousedů, n_neighbors, v KNeighborsClassifier.

Toto cvičení je součástí kurzu

Designing Machine Learning Workflows in Python

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}

# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_
Upravit a spustit kód