Implementera GridSearch

Nu kan du använda funktionen GridSearchCV() från sklearn för att hitta den bästa kombinationen av alla max_depth- och min_samples_leaf-värden som du genererade i föregående övning.

Den här övningen är en del av kursen

HR-analys: Förutsäg personalomsättning i Python

Visa kurs

Övningsinstruktioner

Importera funktionen GridSearchCV
Tillämpa funktionen GridSearchCV() på din model med hjälp av ordlistan parameters som du definierade tidigare. Spara resultatet som param_search.
Anpassa param_search till träningsdatamängden.
Skriv ut de bästa parametrarna med hjälp av attributet best_params_.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# import the GridSearchCV function
from sklearn.model_selection import ____

# set up parameters: done
parameters = dict(max_depth=depth, min_samples_leaf=samples)

# initialize the param_search function using the GridSearchCV function, initial model and parameters above
param_search = ____(model, parameters, cv=3)

# fit the param_search to the training dataset
____.fit(features_train, target_train)

# print the best parameters found
print(param_search.____)

Redigera och kör kod