CommencezCommencez gratuitement

GridSearchCV avec Scikit Learn

Le module GridSearchCV de Scikit Learn offre plusieurs fonctionnalités utiles pour effectuer efficacement une recherche par grille. Vous allez maintenant mettre en pratique ce que vous avez appris en créant un objet GridSearchCV avec certains paramètres.

Les options souhaitées sont :

  • Un estimateur Random Forest, avec le critère de séparation « entropy »
  • Une validation croisée à 5 volets (5-fold)
  • Les hyperparamètres max_depth (2, 4, 8, 15) et max_features (« auto » vs « sqrt »)
  • Utiliser roc_auc pour évaluer les modèles
  • Utiliser 4 cœurs pour un traitement parallèle
  • Veiller à réentraîner (refit) le meilleur modèle et à retourner les scores d'entraînement

Vous avez à votre disposition les jeux de données X_train, X_test, y_train et y_test.

Cette activité fait partie du cours

Ajustement des hyperparamètres en Python

Voir le cours

Instructions de l’exercice

  • Créez un estimateur Random Forest tel que spécifié dans le contexte ci-dessus.
  • Créez une grille de paramètres telle que spécifiée dans le contexte ci-dessus.
  • Créez un objet GridSearchCV comme décrit dans le contexte ci-dessus, en utilisant les deux éléments créés dans les deux instructions précédentes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Modifier et exécuter le code