1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe z modelami drzewiastymi w Pythonie
Connected

ćwiczenie

Szukaj optymalnego lasu

W tym ćwiczeniu przeprowadzisz przeszukiwanie siatki z 3-krotną walidacją krzyżową, aby znaleźć optymalne hiperparametry modelu rf. Do oceny każdego modelu w siatce użyjesz metryki ujemnego błędu średniokwadratowego.

Zwróć uwagę, że przeszukiwanie siatki to proces wyczerpujący, który może zająć dużo czasu. W tym ćwiczeniu jedynie utworzysz obiekt GridSearchCV, bez dopasowywania go do zbioru treningowego. Jak omówiono w filmie, taki obiekt można trenować tak jak każdy estymator scikit-learn – używając metody .fit():

grid_object.fit(X_train, y_train)

W twoim obszarze roboczym dostępne są: niedostrojony model regresji lasów losowych rf oraz słownik params_rf zdefiniowany w poprzednim ćwiczeniu.

Instrukcje

100 XP

  • Zaimportuj GridSearchCV z sklearn.model_selection.

  • Utwórz obiekt GridSearchCV korzystający z 3-krotnej walidacji krzyżowej i ujemnego błędu średniokwadratowego jako metryki oceny.