Căutare pe grilă

Reamintește-ți că am creat un model de bază de Gradient Boosting în lecția anterioară. Obiectivul tău acum este să găsești cea mai bună valoare a hiperparametrului max_depth pentru acest model. Hiperparametrul respectiv limitează numărul de noduri din fiecare arbore individual. Vei folosi validarea încrucișată K-fold pentru a măsura performanța locală a modelului pentru fiecare valoare a hiperparametrului.

Îți este oferită funcția get_cv_score(), care primește ca argumente setul de date de antrenament și un dicționar cu parametrii modelului, și returnează scorul RMSE de validare global pe o validare încrucișată cu 3 fold-uri.

Acest exercițiu face parte din cursul

Câștigarea unei competiții Kaggle în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Specifică grila cu valorile posibile pentru max_depth: 3, 6, 9, 12 și 15.
Transmite fiecare candidat din grilă în dicționarul params al modelului.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Possible max depth values
max_depth_grid = [____]
results = {}

# For each value in the grid
for max_depth_candidate in max_depth_grid:
    # Specify parameters for the model
    params = {'max_depth': ____}

    # Calculate validation score for a particular hyperparameter
    validation_score = get_cv_score(train, params)

    # Save the results for each max depth value
    results[max_depth_candidate] = validation_score   
print(results)

Editează și rulează codul