다른 하이퍼파라미터 튜닝하기
GridSearchCV의 진가는 여러 하이퍼파라미터를 동시에 튜닝할 때 발휘됩니다. 이렇게 하면 알고리즘이 가능한 하이퍼파라미터 조합을 모두 시도해 최적의 조합을 찾아요. 여기서는 다음 random forest 하이퍼파라미터를 튜닝합니다:
| Hyperparameter | Purpose |
|---|---|
| criterion | 분할의 품질 |
| max_features | 최적 분할에 사용할 특성 개수 |
| max_depth | 트리의 최대 깊이 |
| bootstrap | 부트스트랩 샘플 사용 여부 |
하이퍼파라미터 그리드는 이미 지정되어 있으며, clf라는 random forest 분류기도 준비되어 있습니다.
이 연습은 강의의 일부입니다
마케팅 애널리틱스: Python으로 고객 이탈 예측하기
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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)