НачатьНачать бесплатно

GridSearchCV с Scikit Learn

Модуль GridSearchCV из Scikit Learn предоставляет множество полезных возможностей для эффективного выполнения поиска по сетке. Теперь вы применяете полученные знания на практике: создайте объект GridSearchCV с заданными параметрами.

Требуемые настройки:

  • Оценщик Random Forest с критерием разбиения 'entropy'
  • 5-кратная кросс-валидация
  • Гиперпараметры max_depth (2, 4, 8, 15) и max_features ('auto' против 'sqrt')
  • Используйте roc_auc для оценки моделей
  • Используйте 4 ядра для параллельной обработки
  • Убедитесь, что лучшая модель переобучается заново и возвращаются оценки на обучающей выборке

Вам доступны наборы данных X_train, X_test, y_train и y_test.

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Инструкции к упражнению

  • Создайте оценщик Random Forest в соответствии с условиями, описанными выше.
  • Создайте сетку параметров в соответствии с условиями, описанными выше.
  • Создайте объект GridSearchCV, как описано выше, используя два элемента, созданных в предыдущих двух шагах.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код