ÎncepețiÎncepe gratuit

Grid search CV pentru complexitatea modelului

În ultimul slide, ai văzut cum majoritatea clasificatorilor au unul sau mai mulți hiperparametri care le controlează complexitatea. Ai învățat, de asemenea, să îi ajustezi folosind GridSearchCV(). În acest exercițiu, vei perfecționa această abilitate. Vei experimenta cu:

  • Numărul de arbori, n_estimators, într-un RandomForestClassifier.
  • Adâncimea maximă, max_depth, a arborilor de decizie folosiți într-un AdaBoostClassifier.
  • Numărul de vecini cei mai apropiați, n_neighbors, în KNeighborsClassifier.

Acest exercițiu face parte din cursul

Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Vezi cursul

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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_
Editează și rulează codul