他のハイパーパラメータをチューニングする
複数のハイパーパラメータをチューニングするときにこそ、GridSearchCV の真価が発揮されます。アルゴリズムがハイパーパラメータのあらゆる組み合わせを試し、最適な組み合わせを見つけてくれるからです。ここでは、ランダムフォレストの次のハイパーパラメータをチューニングします。
| Hyperparameter | Purpose |
|---|---|
| criterion | 分割の質 |
| max_features | 最良の分割に使う特徴量数 |
| max_depth | 木の最大深さ |
| bootstrap | ブートストラップ標本を使うかどうか |
ハイパーパラメータのグリッドはすでに用意されており、clf というランダムフォレスト分類器も与えられています。
この演習はコースの一部です
マーケティングアナリティクス：Pythonで顧客解約を予測する
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
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)