शुरू करेंमुफ़्त में शुरू करें

Scikit Learn के साथ GridSearchCV

Scikit Learn का GridSearchCV मॉड्यूल grid search को कुशलता से चलाने के लिए कई उपयोगी फीचर्स देता है. अब आप एक GridSearchCV ऑब्जेक्ट कुछ निश्चित पैरामीटर्स के साथ बनाकर अपनी सीख को लागू करेंगे.

आवश्यक विकल्प:

  • Random Forest estimator, जिसमें split criterion 'entropy' हो
  • 5-fold cross validation
  • हाइपरपैरामीटर्स max_depth (2, 4, 8, 15) और max_features ('auto' बनाम 'sqrt')
  • मॉडलों को स्कोर करने के लिए roc_auc का उपयोग करें
  • पैरेलल प्रोसेसिंग के लिए 4 cores का उपयोग करें
  • सुनिश्चित करें कि आप best model को refit करें और training scores लौटाएँ

आपके पास X_train, X_test, y_train और y_test डेटासेट उपलब्ध होंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • ऊपर दिए गए संदर्भ अनुसार एक Random Forest estimator बनाएँ.
  • ऊपर दिए गए संदर्भ अनुसार एक parameter grid बनाएँ.
  • ऊपर बताए अनुसार, पिछली दो निर्देशों में बनाए गए दोनों एलिमेंट का उपयोग करते हुए एक GridSearchCV ऑब्जेक्ट बनाएँ.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
कोड संपादित करें और चलाएँ