Dostrajanie innych hiperparametrów
Prawdziwa siła GridSearchCV ujawnia się podczas dostrajania wielu hiperparametrów jednocześnie – algorytm sprawdza wszystkie możliwe kombinacje, aby znaleźć tę najlepszą. W tym ćwiczeniu dostroisz następujące hiperparametry lasu losowego:
| Hiperparametr | Cel |
|---|---|
| criterion | Jakość podziału |
| max_features | Liczba cech do najlepszego podziału |
| max_depth | Maksymalna głębokość drzewa |
| bootstrap | Czy używane są próbki bootstrapowe |
Siatka hiperparametrów została już dla ciebie zdefiniowana, podobnie jak klasyfikator lasu losowego o nazwie clf.
To ćwiczenie jest częścią kursu
Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)