НачатьНачать бесплатно

Поиск оптимального леса

В этом упражнении вы выполните поиск по сетке с 3-кратной кросс-валидацией, чтобы найти оптимальные гиперпараметры модели rf. Для оценки каждой модели в сетке используется метрика отрицательного среднеквадратичного отклонения.

Учтите, что поиск по сетке — это метод полного перебора, поэтому обучение модели может занять много времени. Здесь вы только создадите объект GridSearchCV, не обучая его на обучающей выборке. Как было показано в видео, такой объект можно обучить так же, как любой estimator из scikit-learn, — с помощью метода .fit():

grid_object.fit(X_train, y_train)

В вашем рабочем пространстве доступны: ненастроенная модель регрессора на основе случайного леса rf, а также словарь params_rf, определённый в предыдущем упражнении.

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте GridSearchCV из sklearn.model_selection.

  • Создайте объект GridSearchCV с 3-кратной кросс-валидацией, используя отрицательное среднеквадратичное отклонение в качестве метрики оценки.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
Редактировать и запускать код