अन्य हाइपरपैरामीटर ट्यून करना
GridSearchCV की असली ताकत तब दिखती है जब आप कई हाइपरपैरामीटर ट्यून कर रहे होते हैं, क्योंकि तब एल्गोरिदम सबसे अच्छे कॉम्बिनेशन की पहचान करने के लिए हाइपरपैरामीटर्स के सभी संभावित संयोजनों को आज़माता है। यहाँ, आप रैंडम फॉरेस्ट के इन हाइपरपैरामीटर्स को ट्यून करेंगे:
| Hyperparameter | Purpose |
|---|---|
| criterion | स्प्लिट की क्वालिटी |
| max_features | बेस्ट स्प्लिट के लिए फीचर्स की संख्या |
| max_depth | ट्री की अधिकतम गहराई |
| bootstrap | क्या बूटस्ट्रैप सैंपल्स का उपयोग होगा |
हाइपरपैरामीटर ग्रिड आपके लिए पहले से दिया गया है, और साथ में clf नाम का एक रैंडम फॉरेस्ट क्लासिफायर भी है।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Marketing Analytics: Python में Customer Churn की भविष्यवाणी
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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)