Začněte nyníZačněte zdarma

GridSearchCV pomocí Scikit Learn

Modul GridSearchCV ze Scikit Learn nabízí řadu užitečných funkcí, které ti pomůžou efektivně provádět grid search. Teď si vyzkoušíš nabyté znalosti v praxi a vytvoříš objekt GridSearchCV se zadanými parametry.

Požadované nastavení:

  • Estimátor Random Forest s kritériem rozdělení 'entropy'
  • 5-násobná křížová validace
  • Hyperparametry max_depth (2, 4, 8, 15) a max_features ('auto' vs 'sqrt')
  • Pro hodnocení modelů použij roc_auc
  • Pro paralelní zpracování využij 4 jádra
  • Zajisti, aby se nejlepší model znovu natrénoval, a vrať skóre z trénovací sady

K dispozici máš datové sady X_train, X_test, y_train a y_test.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř estimátor Random Forest podle zadání výše.
  • Vytvoř mřížku parametrů podle zadání výše.
  • Vytvoř objekt GridSearchCV podle zadání výše, přičemž použij oba prvky vytvořené v předchozích dvou krocích.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Upravit a spustit kód