Mettre en œuvre GridSearch

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

Cet exercice fait partie du cours

Analytique RH : prédire l’attrition des employés en Python

Afficher le cours

Instructions

Importez la fonction GridSearchCV.
Appliquez une fonction GridSearchCV() à votre model en utilisant le dictionnaire parameters que vous avez défini plus tôt. Enregistrez cela sous le nom 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 cet exemple de code.

# 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