Ladění dalších hyperparametrů
Síla GridSearchCV se naplno projeví při ladění více hyperparametrů najednou – algoritmus vyzkouší všechny možné kombinace a najde tu nejlepší. V tomto cvičení budeš ladit následující hyperparametry náhodného lesa:
| Hyperparametr | Účel |
|---|---|
| criterion | Kvalita rozdělení |
| max_features | Počet příznaků pro nejlepší rozdělení |
| max_depth | Maximální hloubka stromu |
| bootstrap | Zda se používají bootstrapové vzorky |
Mřížka hyperparametrů je už připravená, stejně jako klasifikátor náhodného lesa clf.
Toto cvičení je součástí kurzu
Marketing Analytics: Predicting Customer Churn in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)