모델 복잡도를 위한 Grid search CV
이전 슬라이드에서 대부분의 분류기가 모델의 복잡도를 조절하는 하나 이상의 하이퍼파라미터를 가진다는 것을 보셨죠. 또 이를 GridSearchCV()로 튜닝하는 방법도 배웠습니다. 이번 연습에서는 그 기술을 확실히 익혀 보겠습니다. 다음을 실험해 볼게요:
RandomForestClassifier의 트리 개수인n_estimators.AdaBoostClassifier에서 사용하는 결정 트리의 최대 깊이max_depth.KNeighborsClassifier의 최근접 이웃 수n_neighbors.
이 연습은 강의의 일부입니다
Python으로 설계하는 Machine Learning 워크플로
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_