始める無料で始める

最適なフォレストを探す

この演習では、3 分割の交差検証を用いたグリッドサーチで、rf の最適なハイパーパラメータを探します。グリッド内の各モデルの評価には、negative mean squared error 指標を使用します。

グリッドサーチは総当たりで探索するため、モデルの学習に時間がかかる点に注意してください。ここでは、GridSearchCV オブジェクトを作成するだけで、トレーニング集合への適合は行いません。動画で説明したとおり、このオブジェクトは他の scikit-learn の推定器と同様に .fit() メソッドで学習できます。

grid_object.fit(X_train, y_train)

未調整の Random Forests 回帰モデル rf と、前の演習で定義した辞書 params_rf は、すでにワークスペースに用意されています。

この演習はコースの一部です

Pythonで学ぶ木ベースのMachine Learning

コースを見る

演習の手順

  • sklearn.model_selection から GridSearchCV をインポートします。

  • スコアリングに negative mean squared error を用い、3 分割の CV を使う GridSearchCV オブジェクトを作成します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
コードを編集して実行