Začněte nyníZačněte zdarma

Příprava na RandomizedSearch

Minulý semestr vás profesor vyzval, abyste sestavili prediktivní model pro předpovídání výsledků závěrečné zkoušky. Zkusil/a jsi spustit několik různých modelů s náhodně vybranými hyperparametry – jenže každý model bylo potřeba nakódovat zvlášť.

Poté, co ses naučil/a pracovat s RandomizedSearchCV(), se k profesorově výzvě vracíš s cílem postavit co nejlepší model. V tomto cvičení připravíš tři vstupy potřebné k provedení náhodného hledání.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Dokonči slovník parametrů tak, že přidáš seznam pro parametr max_depth s hodnotami 2, 4, 6 a 8.
  • Vytvoř model regrese náhodného lesa s deseti stromy a hodnotou random_state nastavenou na 1111.
  • Vytvoř skórovací funkci pro střední kvadratickou chybu, kterou budeš používat.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import make_scorer, mean_squared_error

# Finish the dictionary by adding the max_depth parameter
param_dist = {"____": [____],
              "max_features": [2, 4, 6, 8, 10],
              "min_samples_split": [2, 4, 8, 16]}

# Create a random forest regression model
rfr = ____(____=10, ____=1111)

# Create a scorer to use (use the mean squared error)
scorer = ____(____)
Upravit a spustit kód