Mulai sekarangMulai gratis

Grid search CV untuk kompleksitas model

Pada slide terakhir, Anda melihat bahwa sebagian besar classifier memiliki satu atau lebih hyperparameter yang mengendalikan kompleksitasnya. Anda juga mempelajari cara menyetelnya menggunakan GridSearchCV(). Dalam latihan ini, Anda akan menyempurnakan keterampilan tersebut. Anda akan bereksperimen dengan:

  • Jumlah pohon, n_estimators, dalam RandomForestClassifier.
  • Kedalaman maksimum, max_depth, dari pohon keputusan yang digunakan dalam AdaBoostClassifier.
  • Jumlah tetangga terdekat, n_neighbors, dalam KNeighborsClassifier.

Latihan ini merupakan bagian dari kursus

Merancang Alur Kerja Machine Learning di Python

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}

# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_
Edit dan Jalankan Kode