शुरू करेंमुफ़्त में शुरू करें

Random Forest हाइपरपैरामीटर्स की पड़ताल

कौन-कौन से हाइपरपैरामीटर्स उपलब्ध हैं और अलग-अलग हाइपरपैरामीटर्स का क्या असर पड़ता है, यह समझना हर डेटा साइंटिस्ट की एक प्रमुख स्किल है। जैसे-जैसे मॉडल जटिल होते जाते हैं, सेट करने के लिए कई विकल्प होते हैं, पर उनमें से कुछ ही आपके मॉडल पर बड़ा प्रभाव डालेंगे.

अब आप एक मौजूदा random forest मॉडल का मूल्यांकन करेंगे (इसके कुछ हाइपरपैरामीटर चुनाव अच्छे नहीं हैं!) और फिर एक नए random forest मॉडल के लिए बेहतर चुनाव करेंगे और उसका प्रदर्शन आँकेंगे.

आपके पास उपलब्ध होगा:

  • X_train, X_test, y_train, y_test DataFrames
  • पहले से प्रशिक्षित एक random forest estimator, rf_clf_old
  • टेस्ट सेट पर मौजूदा random forest estimator की भविष्यवाणियाँ, rf_old_predictions

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Hyperparameter Tuning

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Print out the old estimator, notice which hyperparameter is badly set
print(____)

# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
  	confusion_matrix(____, ____),
  	accuracy_score(____, ____)))
कोड संपादित करें और चलाएँ