MulaiMulai sekarang secara gratis

RandomSearchCV di Scikit Learn

Mari berlatih membangun objek RandomizedSearchCV menggunakan Scikit Learn.

Grid hiperparameter harus mencakup max_depth (semua nilai antara 5 hingga 25, termasuk keduanya) dan max_features ('auto' dan 'sqrt').

Opsi yang diinginkan untuk objek RandomizedSearchCV adalah:

  • Estimator RandomForestClassifier dengan n_estimators sebesar 80.
  • Validasi silang 3-fold (cv)
  • Gunakan roc_auc untuk menilai model
  • Gunakan 4 core untuk pemrosesan paralel (n_jobs)
  • Pastikan Anda melakukan refit pada model terbaik dan mengembalikan skor pelatihan
  • Hanya sampel 5 model demi efisiensi (n_iter)

Himpunan data X_train & y_train sudah dimuat untuk Anda.

Ingat, untuk mengekstrak hiperparameter terpilih, nilai tersebut terdapat di cv_results_ dengan satu kolom per hiperparameter. Misalnya, kolom untuk hiperparameter criterion adalah param_criterion.

Latihan ini adalah bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Petunjuk latihan

  • Buat grid hiperparameter seperti yang ditentukan pada konteks di atas.
  • Buat objek RandomizedSearchCV seperti yang diuraikan pada konteks di atas.
  • Latih objek RandomizedSearchCV pada data pelatihan.
  • Lakukan indeks pada objek cv_results_ untuk mencetak nilai yang dipilih oleh proses pemodelan untuk kedua hiperparameter (max_depth dan max_features).

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create the parameter grid
param_grid = {'max_depth': list(range(____,26)), 'max_features': [____ , ____]} 

# Create a random search object
random_rf_class = RandomizedSearchCV(
    estimator = ____(n_estimators=____),
    param_distributions = ____, n_iter = ____,
    scoring=____, n_jobs=____, cv = ____, refit=____, return_train_score = ____ )

# Fit to the training data
____.fit(X_train, y_train)

# Print the values used for both hyperparameters
print(random_rf_class.cv_results_[____])
print(random_rf_class.cv_results_[____])
Edit dan Jalankan Kode