Ajustar otros hiperparámetros
La potencia de GridSearchCV se nota de verdad cuando ajustas múltiples hiperparámetros, ya que el algoritmo prueba todas las combinaciones posibles para identificar la mejor. Aquí vas a ajustar estos hiperparámetros de random forest:
| Hyperparameter | Purpose |
|---|---|
| criterion | Calidad de la partición |
| max_features | Número de variables para la mejor partición |
| max_depth | Profundidad máxima del árbol |
| bootstrap | Si se usan muestras con Bootstrap |
Ya tienes definido el grid de hiperparámetros y un clasificador de random forest llamado clf.
Este ejercicio forma parte del curso
Marketing Analytics: Predicción de churn de clientes en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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)