1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning with Tree-Based Models in Python
Connected

cvičení

Hledání optimálního lesa

V tomto cvičení provedeš grid search s 3-násobnou křížovou validací, abys našel/a optimální hyperparametry modelu rf. Každý model v gridu budeš vyhodnocovat pomocí metriky záporné střední kvadratické chyby.

Měj na paměti, že grid search je vyčerpávající proces prohledávání, který může být časově náročný. Zde pouze vytvoříš instanci objektu GridSearchCV, aniž bys ho trénoval/a na trénovací sadě. Jak bylo ukázáno ve videu, takový objekt můžeš trénovat stejně jako jakýkoliv estimátor ze scikit-learn pomocí metody .fit():

grid_object.fit(X_train, y_train)

V pracovním prostředí máš k dispozici neladěný model regresoru náhodného lesa rf i slovník params_rf, který jsi definoval/a v předchozím cvičení.

Pokyny

100 XP

  • Importuj GridSearchCV z sklearn.model_selection.

  • Vytvoř instanci objektu GridSearchCV s 3-násobnou křížovou validací a jako metriku pro hodnocení použij zápornou střední kvadratickou chybu.