Grid search CV para complexidade do modelo
No último slide, você viu que a maioria dos classificadores tem um ou mais hiperparâmetros que controlam sua complexidade. Você também aprendeu a ajustá-los usando GridSearchCV(). Neste exercício, você vai aperfeiçoar essa habilidade. Você vai experimentar com:
- O número de árvores,
n_estimators, em umRandomForestClassifier. - A profundidade máxima,
max_depth, das árvores de decisão usadas em umAdaBoostClassifier. - O número de vizinhos mais próximos,
n_neighbors, emKNeighborsClassifier.
Este exercício faz parte do curso
Projetando Workflows de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_