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, dalamRandomForestClassifier. - Kedalaman maksimum,
max_depth, dari pohon keputusan yang digunakan dalamAdaBoostClassifier. - Jumlah tetangga terdekat,
n_neighbors, dalamKNeighborsClassifier.
Latihan ini adalah bagian dari kursus
Merancang Alur Kerja Machine Learning di Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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_