НачатьНачать бесплатно

Изучение гиперпараметров случайного леса

Умение разбираться в доступных гиперпараметрах и понимать их влияние на модель — ключевой навык для специалиста по данным. По мере усложнения моделей настроек становится всё больше, однако лишь некоторые из них действительно существенно влияют на результат.

Сейчас вы оцените существующую модель случайного леса (в ней выбраны не лучшие гиперпараметры!), затем зададите более удачные значения для новой модели и сравните их эффективность.

Вам будут доступны:

  • DataFrames X_train, X_test, y_train, y_test
  • Готовый предобученный классификатор случайного леса rf_clf_old
  • Предсказания существующего классификатора случайного леса на тестовой выборке — rf_old_predictions

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Print out the old estimator, notice which hyperparameter is badly set
print(____)

# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
  	confusion_matrix(____, ____),
  	accuracy_score(____, ____)))
Редактировать и запускать код