Implementacja GridSearch

Teraz możesz użyć funkcji GridSearchCV() z biblioteki sklearn, aby znaleźć najlepszą kombinację wartości max_depth i min_samples_leaf wygenerowanych w poprzednim ćwiczeniu.

To ćwiczenie jest częścią kursu

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj funkcję GridSearchCV.
Zastosuj funkcję GridSearchCV() do swojego modelu model, używając słownika parameters zdefiniowanego wcześniej. Zapisz wynik jako param_search.
Dopasuj param_search do zbioru treningowego.
Wyświetl najlepsze znalezione parametry, korzystając z atrybutu best_params_.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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.____)

Edytuj i uruchom kod