ÎncepețiÎncepe gratuit

GridSearchCV cu Scikit Learn

Modulul GridSearchCV din Scikit Learn oferă multe funcționalități utile pentru a realiza eficient un grid search. Acum vei pune în practică ceea ce ai învățat, creând un obiect GridSearchCV cu anumiți parametri.

Opțiunile dorite sunt:

  • Un estimator Random Forest, cu criteriul de împărțire 'entropy'
  • Validare încrucișată cu 5 fold-uri
  • Hiperparametrii max_depth (2, 4, 8, 15) și max_features ('auto' vs 'sqrt')
  • Folosește roc_auc pentru a evalua modelele
  • Folosește 4 nuclee pentru procesare în paralel
  • Asigură-te că reantrenezi cel mai bun model și că returnezi scorurile de antrenament

Vei avea la dispoziție seturile de date X_train, X_test, y_train și y_test.

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează un estimator Random Forest conform specificațiilor din contextul de mai sus.
  • Creează un grid de parametri conform specificațiilor din contextul de mai sus.
  • Creează un obiect GridSearchCV conform descrierii din contextul de mai sus, folosind cele două elemente create la pașii anteriori.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Editează și rulează codul