CommencezCommencez gratuitement

Validation croisée par recherche sur grille pour la complexité du modèle

Dans la dernière diapositive, vous avez vu que la plupart des classificateurs ont un ou plusieurs hyperparamètres qui contrôlent leur complexité. Vous avez aussi appris à les régler avec GridSearchCV(). Dans cet exercice, vous allez perfectionner cette compétence. Vous allez expérimenter avec :

  • Le nombre d'arbres, n_estimators, dans un RandomForestClassifier.
  • La profondeur maximale, max_depth, des arbres de décision utilisés dans un AdaBoostClassifier.
  • Le nombre de plus proches voisins, n_neighbors, dans KNeighborsClassifier.

Cette activité fait partie du cours

Concevoir des flux de travail Machine Learning en Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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_
Modifier et exécuter le code