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.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in Python

Zobrazit kurz

Pokyny k cvičení

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.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)

Upravit a spustit kód