शुरू करेंमुफ़्त में शुरू करें

उत्तम फॉरेस्ट की खोज

इस अभ्यास में, आप 3-fold cross validation के साथ grid search चलाएँगे ताकि rf के सर्वोत्तम हाइपरपैरामीटर्स मिल सकें। ग्रिड में हर मॉडल का मूल्यांकन करने के लिए आप negative mean squared error मेट्रिक का उपयोग करेंगे.

ध्यान दें कि grid search एक exhaustive खोज प्रक्रिया है, इसलिए मॉडल ट्रेन करने में समय लग सकता है। यहाँ आप केवल GridSearchCV ऑब्जेक्ट instantiate करेंगे, इसे training set पर fit नहीं करेंगे। वीडियो में चर्चा के अनुसार, ऐसे ऑब्जेक्ट को आप किसी भी scikit-learn estimator की तरह .fit() मेथड से ट्रेन कर सकते हैं:

grid_object.fit(X_train, y_train)

अनट्यून किया हुआ Random Forests regressor मॉडल rf और वह dictionary params_rf जिसे आपने पिछले अभ्यास में परिभाषित किया था, आपके workspace में उपलब्ध हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Tree-Based Models के साथ Machine Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • sklearn.model_selection से GridSearchCV इम्पोर्ट करें.

  • 3-fold CV का उपयोग करते हुए negative mean squared error को scoring metric मानकर एक GridSearchCV ऑब्जेक्ट instantiate करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
कोड संपादित करें और चलाएँ