Ladění počtu příznaků

Výchozí hyperparametry tvých modelů nejsou optimalizované pro tvá data. Cílem křížové validace s prohledáváním mřížky (grid search) je najít takové hyperparametry, které vedou k nejlepšímu výkonu modelu. Ve videu jsi viděl/a, jak se ladil hyperparametr n_estimators náhodného lesa. Teď si procvičíš ladění hyperparametru max_features. Hyperparametr cv je nastaven na 3, aby kód běžel rychle.

Hyperparametr	Účel
max_features	Počet příznaků pro nejlepší rozdělení

Náhodný les je ansámbl mnoha rozhodovacích stromů. Hyperparametr n_estimators určuje počet stromů v lese, zatímco hyperparametr max_features říká, kolik příznaků má náhodný les zvažovat při hledání nejlepšího rozdělení v rozhodovacím stromě.

Klasifikátor náhodného lesa je pro tebe už připravený jako clf.

Importuj GridSearchCV z sklearn.model_selection.

cvičení

Ladění počtu příznaků

Pokyny 1/4

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}cvičení

Pokyny 1/4

cvičení