GridSearch implementeren

Je kunt nu de functie GridSearchCV() uit sklearn gebruiken om de beste combinatie te vinden van alle max_depth- en min_samples_leaf-waarden die je in de vorige oefening hebt gegenereerd.

Deze oefening maakt deel uit van de cursus

HR-analytics: verloop van medewerkers voorspellen in Python

Cursus bekijken

Oefeninstructies

Importeer de functie GridSearchCV.
Pas GridSearchCV() toe op je model met de eerder gedefinieerde dictionary parameters. Sla dit op als param_search.
Fit param_search op de trainingsgegevensset.
Print de beste gevonden parameters met het attribuut best_params_.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# import the GridSearchCV function
from sklearn.model_selection import ____

# set up parameters: done
parameters = dict(max_depth=depth, min_samples_leaf=samples)

# initialize the param_search function using the GridSearchCV function, initial model and parameters above
param_search = ____(model, parameters, cv=3)

# fit the param_search to the training dataset
____.fit(features_train, target_train)

# print the best parameters found
print(param_search.____)

Code bewerken en uitvoeren