CommencezCommencez gratuitement

Trouver la forêt optimale

Dans cet exercice, vous allez effectuer une recherche par grille avec validation croisée à 3 plis pour trouver les hyperparamètres optimaux de rf. Pour évaluer chaque modèle de la grille, vous utiliserez la mesure negative mean squared error.

Notez que la recherche par grille est un processus exhaustif, donc l'entraînement du modèle peut prendre beaucoup de temps. Ici, vous allez seulement instancier l'objet GridSearchCV sans l'ajuster à l'ensemble d'entraînement. Comme vu dans la vidéo, vous pouvez entraîner un tel objet comme n'importe quel estimateur scikit-learn en utilisant la méthode .fit() :

grid_object.fit(X_train, y_train)

Le modèle régressif de forêts aléatoires non réglé rf, ainsi que le dictionnaire params_rf que vous avez défini à l'exercice précédent, sont disponibles dans votre espace de travail.

Cette activité fait partie du cours

Machine Learning avec des modèles à base d'arbres en Python

Voir le cours

Instructions de l’exercice

  • Importez GridSearchCV depuis sklearn.model_selection.

  • Instanciez un objet GridSearchCV avec une validation croisée à 3 plis en utilisant le negative mean squared error comme métrique d'évaluation.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
Modifier et exécuter le code