ComeçarComece gratuitamente

Busca da floresta ideal

Neste exercício, você realizará uma pesquisa de grade usando validação cruzada 3 vezes para encontrar os hiperparâmetros ideais de rf. Para avaliar cada modelo na grade, você usará a métrica de erro quadrático médio negativo.

Observe que, como a pesquisa em grade é um processo de pesquisa exaustivo, pode levar muito tempo para treinar o modelo. Aqui você só instanciará o objeto GridSearchCV sem ajustá-lo ao conjunto de treinamento. Conforme discutido no vídeo, você pode treinar esse objeto de forma semelhante a qualquer estimador do scikit-learn usando o método .fit(): 

grid_object.fit(X_train, y_train)

O modelo de regressor de florestas aleatórias não ajustadas rf, bem como o dicionário params_rf que você definiu no exercício anterior, estão disponíveis no seu espaço de trabalho.

Este exercício faz parte do curso

Aprendizado de máquina com modelos baseados em árvores em Python

Ver Curso

Instruções de exercício

  • Importe GridSearchCV de sklearn.model_selection.

  • Instancie um objeto GridSearchCV usando CV três vezes, usando o erro quadrático médio negativo como métrica de pontuação.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
Editar e executar código