ComenzarEmpieza gratis

Búsqueda en cuadrícula con CV para la complejidad del modelo

En la última diapositiva, viste que la mayoría de los clasificadores tienen uno o más hiperparámetros que controlan su complejidad. También aprendiste a ajustarlos usando GridSearchCV(). En este ejercicio, vas a perfeccionar esta habilidad. Experimentarás con:

  • El número de árboles, n_estimators, en un RandomForestClassifier.
  • La profundidad máxima, max_depth, de los árboles de decisión usados en un AdaBoostClassifier.
  • El número de vecinos más cercanos, n_neighbors, en KNeighborsClassifier.

Este ejercicio forma parte del curso

Diseño de flujos de trabajo de Machine Learning en Python

Ver curso

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}

# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_
Editar y ejecutar código