Andere hyperparameters afstemmen
De kracht van GridSearchCV komt écht tot zijn recht wanneer je meerdere hyperparameters afstemt: het algoritme probeert dan alle mogelijke combinaties uit om de beste combinatie te vinden. Hier stem je de volgende random forest-hyperparameters af:
| Hyperparameter | Doel |
|---|---|
| criterion | Kwaliteit van de splitsing |
| max_features | Aantal features voor de beste splitsing |
| max_depth | Maximale diepte van de boom |
| bootstrap | Of er Bootstrap-steekproeven worden gebruikt |
Het hyperparameterrooster is al voor je opgegeven, samen met een random forest-classifier genaamd clf.
Deze oefening maakt deel uit van de cursus
Marketinganalyse: klantverloop voorspellen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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)