Menyetel hyperparameter lainnya
Kekuatan GridSearchCV benar-benar terasa saat Anda menyetel beberapa hyperparameter sekaligus, karena algoritma akan mencoba semua kombinasi hyperparameter yang memungkinkan untuk menemukan kombinasi terbaik. Di sini, Anda akan menyetel hyperparameter random forest berikut:
| Hyperparameter | Tujuan |
|---|---|
| criterion | Kualitas pemisahan (split) |
| max_features | Jumlah fitur untuk split terbaik |
| max_depth | Kedalaman maksimum pohon |
| bootstrap | Apakah sampel Bootstrap digunakan |
Kisi hyperparameter telah disiapkan untuk Anda, bersama dengan classifier random forest bernama clf.
Latihan ini merupakan bagian dari kursus
Analitik Pemasaran: Memprediksi Churn Pelanggan di Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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)