1. Nauka
    2. /
  2. Kursy
    3. /
  3. HR Analytics: Przewidywanie rotacji pracowników w Pythonie
Connected

ćwiczenie

Konfigurowanie parametrów GridSearch

Hiperparametr to parametr wewnątrz funkcji. Na przykład max_depth i min_samples_leaf są hiperparametrami funkcji DecisionTreeClassifier(). Strojenie hiperparametrów polega na testowaniu różnych ich wartości w celu znalezienia tych optymalnych – takich, które dają najlepsze predykcje zgodnie z przyjętymi celami. W bibliotece sklearn możesz użyć GridSearch do testowania różnych kombinacji hiperparametrów. Co więcej, funkcja GridSearchCV() pozwala jednocześnie testować różne kombinacje i przeprowadzać na nich kroswalidację!

W tym ćwiczeniu przygotujesz różne wartości, które chcesz przetestować dla max_depth i min_samples_leaf. Następnie umieścisz je w słowniku, ponieważ właśnie tego wymaga GridSearchCV():

  • klucze słownika będą nazwami hiperparametrów,
  • wartości słownika będą atrybutami (wartościami hiperparametrów), które chcesz przetestować.

Zamiast wpisywać wszystkie wartości ręcznie, skorzystasz z funkcji range(), która pozwala generować wartości przyrostowo. Na przykład range(1, 10, 2) wygeneruje listę wartości od 1 włącznie do 10 (wyłącznie), z krokiem 2. Wynik końcowy to [1, 3, 5, 7, 9].

Instrukcje

100 XP
  • Wzorując się na powyższym przykładzie, wygeneruj wartości maksymalnej głębokości od 5 do 20 z krokiem 1.
  • Zrób to samo dla minimalnej liczebności próby – wartości od 50 do 450 z krokiem 50.
  • Utwórz słownik, podając wartości do przetestowania dla max_depth i min_samples_leaf, używając właśnie utworzonych zmiennych.