MulaiMulai sekarang secara gratis

GridSearchCV dengan Scikit Learn

Modul GridSearchCV dari Scikit Learn menyediakan banyak fitur berguna untuk membantu melakukan grid search secara efisien. Sekarang Anda akan mempraktikkan pembelajaran Anda dengan membuat objek GridSearchCV dengan parameter tertentu.

Opsi yang diinginkan adalah:

  • Estimator Random Forest, dengan kriteria pemisahan 'entropy'
  • Validasi silang 5-fold
  • Hyperparameter max_depth (2, 4, 8, 15) dan max_features ('auto' vs 'sqrt')
  • Gunakan roc_auc untuk menilai model
  • Gunakan 4 core untuk pemrosesan paralel
  • Pastikan Anda melakukan refit pada model terbaik dan mengembalikan skor pelatihan

Anda akan memiliki himpunan data X_train, X_test, y_train, dan y_test.

Latihan ini adalah bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Petunjuk latihan

  • Buat estimator Random Forest seperti yang ditentukan pada konteks di atas.
  • Buat parameter grid seperti yang ditentukan pada konteks di atas.
  • Buat objek GridSearchCV seperti yang diuraikan pada konteks di atas, menggunakan dua elemen yang dibuat pada dua instruksi sebelumnya.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Edit dan Jalankan Kode