Grid search

V předchozí lekci jsme vytvořili základní model Gradient Boosting. Tvým úkolem je teď najít nejlepší hodnotu hyperparametru max_depth pro tento model. Hyperparametr max_depth omezuje počet uzlů v každém jednotlivém stromě. K měření lokální výkonnosti modelu pro každou hodnotu hyperparametru použiješ K-fold křížovou validaci.

Máš k dispozici funkci get_cv_score(), která přijímá trénovací dataset a slovník parametrů modelu a vrací celkové RMSE skóre validace přes 3-fold křížovou validaci.

Toto cvičení je součástí kurzu

Jak vyhrát soutěž na Kaggle v Pythonu

Zobrazit kurz

Pokyny k cvičení

Definuj mřížku možných hodnot max_depth s hodnotami 3, 6, 9, 12 a 15.
Předej každého kandidáta z mřížky do slovníku parametrů params modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Possible max depth values
max_depth_grid = [____]
results = {}

# For each value in the grid
for max_depth_candidate in max_depth_grid:
    # Specify parameters for the model
    params = {'max_depth': ____}

    # Calculate validation score for a particular hyperparameter
    validation_score = get_cv_score(train, params)

    # Save the results for each max depth value
    results[max_depth_candidate] = validation_score   
print(results)

Upravit a spustit kód