Začněte nyníZačněte zdarma

Náhodné prohledávání s Random Forest

Abys lépe upevnil/a znalosti o náhodném vzorkování, zkus podobné cvičení s jinými hyperparametry a jiným algoritmem.

Jako předtím vytvoříš několik seznamů hyperparametrů, které pak spojíš do seznamu seznamů. Budeš pracovat s hyperparametry criterion, max_depth a max_features algoritmu Random Forest. Pak náhodně navzorkuješ kombinace hyperparametrů jako přípravu pro spuštění náhodného prohledávání.

Pro vzorkování tentokrát použiješ trochu jiný nástroj: random.sample().

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř seznam hodnot 'gini' a 'entropy' pro criterion a seznam "auto", "sqrt", "log2", None pro max_features.
  • Vytvoř seznam hodnot od 3 do 55 včetně pro hyperparametr max_depth a ulož ho do proměnné max_depth_list. Pamatuj, že range(N,M) vytvoří seznam od N do M-1.
  • Spoj tyto seznamy do seznamu seznamů pomocí funkce product().
  • Náhodně vyber 150 modelů z kombinovaného seznamu a výsledek vypiš.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create lists for criterion and max_features
criterion_list = ____
max_feature_list = ____

# Create a list of values for the max_depth hyperparameter
max_depth_list = list(range(____,____))

# Combination list
combinations_list = [list(x) for x in product(____, ____, ____)]

# Sample hyperparameter combinations for a random search
combinations_random_chosen = random.sample(____, ____)

# Print the result
print(____)
Upravit a spustit kód