Feinabstimmung der Anzahl an Features
Die Standard-Hyperparameter deiner Modelle sind nicht für deine Daten optimiert. Ziel der Grid-Search-Cross-Validation ist es, die Hyperparameter zu finden, die zur optimalen Modellleistung führen. Im Video hast du gesehen, wie der n_estimators-Hyperparameter des Random Forest abgestimmt wurde. Hier übst du das Tuning des Hyperparameters max_features. Der Hyperparameter cv ist auf 3 gesetzt, damit der Code schnell ausgeführt wird.
| Hyperparameter | Zweck |
|---|---|
| max_features | Anzahl der Features für den besten Split |
Ein Random Forest ist ein Ensemble aus vielen Entscheidungsbäumen. Der Hyperparameter n_estimators steuert die Anzahl der Bäume im Forest, während max_features steuert, wie viele Features der Random Forest beim Suchen nach dem besten Split in einem Entscheidungsbaum berücksichtigen soll.
Ein Random-Forest-Klassifikator wurde bereits als clf für dich instanziiert.
Diese Übung ist Teil des Kurses
<Kurs>Marketing Analytics: Kundenabwanderung in Python vorhersagen</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import GridSearchCV