Zacznij terazZacznij za darmo

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.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj GridSearchCV z sklearn.model_selection.

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

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
Edytuj i uruchom kod