CommencerCommencer gratuitement

Recherche de la forêt optimale

Dans cet exercice, vous effectuerez une recherche par grille à l'aide d'une validation croisée à 3 blocs afin de déterminer les hyperparamètres optimaux de rf. Pour évaluer chaque modèle de la grille, vous utiliserez la métrique de l'erreur quadratique moyenne négative.

Notez que la recherche par grille étant un processus de recherche exhaustif, l'entraînement du modèle peut prendre beaucoup de temps. Ici, vous ne ferez qu'instancier l'objet GridSearchCV sans l'ajuster à l'ensemble d'apprentissage. Comme indiqué dans la vidéo, vous pouvez entraîner un tel objet de manière similaire à n'importe quel estimateur scikit-learn en utilisant la méthode .fit() : 

grid_object.fit(X_train, y_train)

Le modèle de régression des forêts aléatoires non ajustées rf ainsi que le dictionnaire params_rf que vous avez défini dans l'exercice précédent sont disponibles dans votre espace de travail.

Cet exercice fait partie du cours

Machine learning avec des modèles arborescents en Python

Afficher le cours

Instructions

  • Importez GridSearchCV à partir de sklearn.model_selection.

  • Instanciez un objet GridSearchCV en utilisant une validation croisée à 3 blocs et en utilisant l'erreur quadratique moyenne négative comme métrique de notation.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import GridSearchCV
____

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