Ajuster d’autres hyperparamètres
La puissance de GridSearchCV se révèle vraiment lorsque vous ajustez plusieurs hyperparamètres : l’algorithme teste alors toutes les combinaisons possibles d’hyperparamètres pour identifier la meilleure. Ici, vous allez ajuster les hyperparamètres suivants d’une forêt aléatoire :
| Hyperparamètre | Rôle |
|---|---|
| criterion | Qualité de la séparation |
| max_features | Nombre de variables pour la meilleure séparation |
| max_depth | Profondeur maximale de l’arbre |
| bootstrap | Indique si des échantillons bootstrap sont utilisés |
La grille d’hyperparamètres a été définie pour vous, ainsi qu’un classificateur de forêt aléatoire nommé clf.
Cet exercice fait partie du cours
Marketing Analytics : prédire l’attrition client en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)