Kom igångKom igång gratis

GridSearchCV med Scikit Learn

Modulen GridSearchCV från Scikit Learn erbjuder många användbara funktioner för att genomföra en grid search på ett effektivt sätt. Nu ska du omsätta dina kunskaper i praktiken genom att skapa ett GridSearchCV-objekt med vissa parametrar.

Önskade inställningar:

  • En Random Forest-estimator med uppdelningskriteriet 'entropy'
  • 5-faldig korsvalidering
  • Hyperparametrarna max_depth (2, 4, 8, 15) och max_features ('auto' vs 'sqrt')
  • Använd roc_auc för att poängsätta modellerna
  • Använd 4 kärnor för parallell bearbetning
  • Se till att den bästa modellen tränas om och att träningspoäng returneras

Du har tillgång till datamängderna X_train, X_test, y_train och y_test.

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Övningsinstruktioner

  • Skapa en Random Forest-estimator enligt specifikationen ovan.
  • Skapa ett parameternät enligt specifikationen ovan.
  • Skapa ett GridSearchCV-objekt enligt beskrivningen ovan, med hjälp av de två element som skapades i de två föregående instruktionerna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Redigera och kör kod