CommencerCommencer gratuitement

Recherche en grille avec validation croisée 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 ajuster avec GridSearchCV(). Dans cet exercice, vous allez perfectionner cette compétence. Vous allez expérimenter :

  • 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.

Cet exercice fait partie du cours

Concevoir des workflows de Machine Learning en Python

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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