Реализация GridSearch

Теперь вы можете воспользоваться функцией GridSearchCV() из библиотеки sklearn, чтобы найти оптимальное сочетание значений max_depth и min_samples_leaf, сгенерированных в предыдущем упражнении.

Это упражнение является частью курса

HR-аналитика: прогнозирование текучести кадров на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте функцию GridSearchCV.
Примените функцию GridSearchCV() к вашей модели model, используя словарь parameters, определённый ранее. Сохраните результат в переменную param_search.
Обучите param_search на обучающей выборке.
Выведите на экран наилучшие параметры, используя атрибут best_params_.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# import the GridSearchCV function
from sklearn.model_selection import ____

# set up parameters: done
parameters = dict(max_depth=depth, min_samples_leaf=samples)

# initialize the param_search function using the GridSearchCV function, initial model and parameters above
param_search = ____(model, parameters, cv=3)

# fit the param_search to the training dataset
____.fit(features_train, target_train)

# print the best parameters found
print(param_search.____)

Редактировать и запускать код