Weitere Hyperparameter abstimmen
Die Stärke von GridSearchCV kommt besonders zum Tragen, wenn du mehrere Hyperparameter abstimmst. Dann probiert der Algorithmus nämlich alle möglichen Kombinationen aus, um die beste zu finden. Hier stimmst du die folgenden Hyperparameter des Random-Forest-Modells ab:
| Hyperparameter | Zweck |
|---|---|
| criterion | Qualität des Splits |
| max_features | Anzahl der Features für den besten Split |
| max_depth | Maximale Tiefe des Baums |
| bootstrap | Ob Bootstrap-Stichproben verwendet werden |
Das Hyperparameter-Grid wurde bereits für dich definiert, ebenso ein Random-Forest-Klassifikator namens clf.
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
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)