Grid search CV för modellkomplexitet
I det senaste avsnittet såg du hur de flesta klassificerare har ett eller flera hyperparametrar som styr deras komplexitet. Du lärde dig också att justera dem med GridSearchCV(). I den här övningen får du förfina den färdigheten. Du kommer att experimentera med:
- Antalet träd,
n_estimators, i enRandomForestClassifier. - Det maximala djupet,
max_depth, hos beslutsträden i enAdaBoostClassifier. - Antalet närmaste grannar,
n_neighbors, iKNeighborsClassifier.
Den här övningen är en del av kursen
Att designa maskininlärningsflöden i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_