1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu
Connected

cvičení

Les rozhodovacích stromů

V tomto cvičení si procvičíš použití rozhodovacího stromu s bootstrappingem, který se nazývá Random Forest. Stejně jako v předchozím cvičení porovnáš jeho přesnost s modelem, u kterého jsi vyladil/a hyperparametry pomocí křížové validace.

Tentokrát navíc vyladíš další hyperparametr, max_features, který modelu umožňuje rozhodnout, kolik příznaků použije. Pokud není explicitně nastaven, výchozí hodnota je auto. Dobré si zapamatovat pro pohovor: rozhodovací stromy ve výchozím nastavení zohledňují všechny příznaky, zatímco Random Forest obvykle uvažuje odmocninu z celkového počtu příznaků.

Matice příznaků X, cílový vektor y a funkce train_test_split z sklearn.model_selection jsou už naimportovány.

Instrukce 1/2

undefined XP
  • 1
    • Importuj správnou funkci pro klasifikátor Random Forest a rozděl data na trénovací a testovací sadu.
    • Vytvoř instanci klasifikátoru Random Forest, natrénuj ho, proveď predikci a vypiš přesnost.
  • 2
    • Importuj správnou funkci pro křížově validované prohledávání mřížky.
    • Proveď stejné kroky, tentokrát s použitím křížově validovaného grid search.