1. Nauka
    2. /
  2. Kursy
    3. /
  3. Strojenie hiperparametrów w Pythonie
Connected

ćwiczenie

Odkrywanie hiperparametrów lasu losowego

Znajomość dostępnych hiperparametrów i rozumienie ich wpływu na model to kluczowa umiejętność każdego data scientista. W miarę jak modele stają się coraz bardziej złożone, rośnie liczba ustawień, które możesz dostosować – jednak tylko niektóre z nich mają istotny wpływ na wyniki.

Ocenisz teraz istniejący model lasu losowego (który ma kilka nietrafionych wyborów hiperparametrów!), a następnie dobierzesz lepsze wartości dla nowego modelu i sprawdzisz jego działanie.

Do dyspozycji masz:

  • DataFrames X_train, X_test, y_train, y_test
  • Istniejący, wstępnie wytrenowany estymator lasu losowego: rf_clf_old
  • Prognozy istniejącego estymatora na zbiorze testowym: rf_old_predictions

Instrukcje 1/3

undefined XP
    1
    2
    3
  • Wyświetl hiperparametry istniejącego klasyfikatora lasu losowego, drukując estymator, a następnie utwórz macierz pomyłek i oblicz dokładność modelu. Przyda ci się zbiór testowy y_test oraz stare prognozy rf_old_predictions!