НачатьНачать бесплатно

Поиск по сетке для настройки сложности модели

На последнем слайде вы узнали, что у большинства классификаторов есть один или несколько гиперпараметров, управляющих их сложностью. Вы также научились подбирать их с помощью GridSearchCV(). В этом упражнении вы отточите этот навык. Вам предстоит поэкспериментировать со следующими параметрами:

  • Количество деревьев, n_estimators, в RandomForestClassifier.
  • Максимальная глубина, max_depth, деревьев решений в AdaBoostClassifier.
  • Количество ближайших соседей, n_neighbors, в KNeighborsClassifier.

Это упражнение является частью курса

Проектирование рабочих процессов машинного обучения на Python

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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_
Редактировать и запускать код