1. Nauka
    2. /
  2. Kursy
    3. /
  3. Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Connected

ćwiczenie

Las drzew decyzyjnych

W tym ćwiczeniu przećwiczysz użycie drzewa decyzyjnego z bootstrappingiem, czyli tak zwanego lasu losowego. Podobnie jak w poprzednim ćwiczeniu, porównasz jego dokładność z modelem, w którym dostroiłeś hiperparametry za pomocą walidacji krzyżowej.

Tym razem dostroisz dodatkowy hiperparametr – max_features – który pozwala modelowi określić, ile cech ma być brane pod uwagę. Gdy nie jest on jawnie ustawiony, przyjmuje domyślną wartość auto. Warto zapamiętać na potrzeby rozmowy kwalifikacyjnej, że drzewa decyzyjne domyślnie uwzględniają wszystkie cechy, natomiast lasy losowe zwykle biorą pod uwagę pierwiastek kwadratowy z liczby cech.

Macierz cech X, etykieta docelowa y oraz funkcja train_test_split z sklearn.model_selection zostały już zaimportowane.

Instrukcje 1/2

undefined XP
  • 1
    • Zaimportuj odpowiednią funkcję klasyfikatora lasu losowego i podziel dane na zbiory treningowy i testowy.
    • Utwórz instancję klasyfikatora lasu losowego, dopasuj model, wykonaj predykcję i wydrukuj dokładność.
  • 2
    • Zaimportuj odpowiednią funkcję do przeprowadzenia przeszukiwania siatki z walidacją krzyżową.
    • Wykonaj te same kroki, tym razem korzystając z przeszukiwania siatki z walidacją krzyżową.