1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning avec des modèles à base d'arbres en Python
Connected

Exercice

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.

Instructions

100 XP

  • 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.