Zacznij terazZacznij za darmo

Przygotowanie do RandomizedSearch

W poprzednim semestrze prowadzący zaproponował klasie wyzwanie: zbudować model predykcyjny przewidujący wyniki końcowego egzaminu. Próbowałeś uruchamiać różne modele, losowo dobierając hiperparametry. Każdy model wymagał jednak osobnego zakodowania.

Po zapoznaniu się z RandomizedSearchCV() wracasz do tego wyzwania, by zbudować jak najlepszy model. W tym ćwiczeniu przygotujesz trzy dane wejściowe potrzebne do przeprowadzenia losowego przeszukiwania.

To ćwiczenie jest częścią kursu

Walidacja modeli w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Uzupełnij słownik parametrów, dodając listę dla parametru max_depth z opcjami 2, 4, 6 i 8.
  • Utwórz model regresji lasów losowych z dziesięcioma drzewami i random_state równym 1111.
  • Utwórz obiekt oceniający oparty na błędzie średniokwadratowym.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import make_scorer, mean_squared_error

# Finish the dictionary by adding the max_depth parameter
param_dist = {"____": [____],
              "max_features": [2, 4, 6, 8, 10],
              "min_samples_split": [2, 4, 8, 16]}

# Create a random forest regression model
rfr = ____(____=10, ____=1111)

# Create a scorer to use (use the mean squared error)
scorer = ____(____)
Edytuj i uruchom kod