Ajustando outros hiperparâmetros
O poder do GridSearchCV realmente aparece quando você ajusta vários hiperparâmetros, pois o algoritmo testa todas as combinações possíveis para encontrar a melhor. Aqui, você vai ajustar os seguintes hiperparâmetros do random forest:
| Hyperparameter | Purpose |
|---|---|
| criterion | Quality of Split |
| max_features | Number of features for best split |
| max_depth | Max depth of tree |
| bootstrap | Whether Bootstrap samples are used |
A grade de hiperparâmetros já foi definida para você, junto com um classificador random forest chamado clf.
Este exercicio faz parte do curso
Análise de Marketing: Prevendo Churn de Clientes em Python
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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)