GridSearch implementieren

Du kannst jetzt die Funktion sklearn GridSearchCV() verwenden, um die beste Kombination aller max_depth- und min_samples_leaf-Werte zu finden, die du in der vorherigen Übung erzeugt hast.

Diese Übung ist Teil des Kurses

HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen

Kurs anzeigen

Anleitung zur Übung

Importiere die Funktion GridSearchCV.
Wende GridSearchCV() auf dein model an und nutze das zuvor definierte Dictionary parameters. Speichere das als param_search.
Fitte param_search auf den Trainingsdatensatz.
Gib die gefundenen besten Parameter mit dem Attribut best_params_ aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# import the GridSearchCV function
from sklearn.model_selection import ____

# set up parameters: done
parameters = dict(max_depth=depth, min_samples_leaf=samples)

# initialize the param_search function using the GridSearchCV function, initial model and parameters above
param_search = ____(model, parameters, cv=3)

# fit the param_search to the training dataset
____.fit(features_train, target_train)

# print the best parameters found
print(param_search.____)

Code bearbeiten und ausführen