НачатьНачать бесплатно

Подготовка к RandomizedSearch

В прошлом семестре ваш преподаватель предложил классу построить прогностическую модель для предсказания результатов итогового экзамена. Вы пробовали запускать несколько разных моделей, случайным образом подбирая гиперпараметры. Однако каждую модель приходилось прописывать отдельно.

Познакомившись с RandomizedSearchCV(), вы возвращаетесь к задаче преподавателя и хотите построить наилучшую модель. В этом упражнении вы подготовите три входных компонента, необходимых для выполнения случайного поиска.

Это упражнение является частью курса

Валидация моделей на Python

Посмотреть курс

Инструкции к упражнению

  • Завершите словарь параметров, добавив список значений для параметра max_depth: 2, 4, 6 и 8.
  • Создайте модель регрессии на основе случайного леса из десяти деревьев со значением random_state равным 1111.
  • Создайте оценщик на основе среднеквадратичной ошибки для дальнейшего использования.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import make_scorer, mean_squared_error

# Finish the dictionary by adding the max_depth parameter
param_dist = {"____": [____],
              "max_features": [2, 4, 6, 8, 10],
              "min_samples_split": [2, 4, 8, 16]}

# Create a random forest regression model
rfr = ____(____=10, ____=1111)

# Create a scorer to use (use the mean squared error)
scorer = ____(____)
Редактировать и запускать код