LoslegenKostenlos loslegen

Vorbereitung für RandomizedSearch

Im letzten Semester hat deine Professorin bzw. dein Professor euch herausgefordert, ein Vorhersagemodell zu bauen, das die Ergebnisse der Abschlussprüfung prognostiziert. Du hast einige verschiedene Modelle ausprobiert, indem du Hyperparameter zufällig gewählt hast. Allerdings musstest du für jedes Modell den Code einzeln schreiben.

Nachdem du RandomizedSearchCV() kennengelernt hast, nimmst du die Herausforderung erneut an, um das beste Modell zu bauen. In dieser Übung bereitest du die drei nötigen Eingaben für eine Random Search vor.

Diese Übung ist Teil des Kurses

Modellvalidierung in Python

Kurs anzeigen

Anleitung zur Übung

  • Vervollständige das Parameter-Dictionary, indem du eine Liste für den Parameter max_depth mit den Optionen 2, 4, 6 und 8 hinzufügst.
  • Erstelle ein Random-Forest-Regressionsmodell mit zehn Bäumen und einem random_state von 1111.
  • Erstelle einen Scorer für den mittleren quadratischen Fehler (Mean Squared Error).

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import make_scorer, mean_squared_error

# Finish the dictionary by adding the max_depth parameter
param_dist = {"____": [____],
              "max_features": [2, 4, 6, 8, 10],
              "min_samples_split": [2, 4, 8, 16]}

# Create a random forest regression model
rfr = ____(____=10, ____=1111)

# Create a scorer to use (use the mean squared error)
scorer = ____(____)
Code bearbeiten und ausführen