Mettre en œuvre GridSearch

Vous pouvez maintenant utiliser la fonction GridSearchCV() de sklearn pour trouver la meilleure combinaison de toutes les valeurs max_depth et min_samples_leaf que vous avez générées à l'exercice précédent.

Cette activité fait partie du cours

Analytique RH : prédire le roulement du personnel avec Python

Voir le cours

Instructions de l’exercice

Importez la fonction GridSearchCV
Appliquez une fonction GridSearchCV() à votre model en utilisant le dictionnaire parameters que vous avez défini plus tôt. Enregistrez le tout dans param_search.
Ajustez param_search sur l'ensemble d'entraînement.
Affichez les meilleurs paramètres trouvés à l'aide de l'attribut best_params_.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# import the GridSearchCV function
from sklearn.model_selection import ____

# set up parameters: done
parameters = dict(max_depth=depth, min_samples_leaf=samples)

# initialize the param_search function using the GridSearchCV function, initial model and parameters above
param_search = ____(model, parameters, cv=3)

# fit the param_search to the training dataset
____.fit(features_train, target_train)

# print the best parameters found
print(param_search.____)

Modifier et exécuter le code