Utforska hyperparametrar i Random Forest
Att förstå vilka hyperparametrar som finns tillgängliga och hur de påverkar modellen är en grundläggande färdighet för alla datavetare. När modellerna blir mer komplexa finns det många inställningar att justera, men bara vissa har stor inverkan på resultatet.
Du ska nu utvärdera en befintlig random forest-modell (den har några dåliga hyperparameterval!) och sedan göra bättre val för en ny random forest-modell och bedöma dess prestanda.
Du har tillgång till:
- DataFrames:
X_train,X_test,y_train,y_test - En befintlig förtränad random forest-estimator,
rf_clf_old - Prediktion från den befintliga random forest-estimatorn på testdatan,
rf_old_predictions
Den här övningen är en del av kursen
Hyperparameterjustering i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print out the old estimator, notice which hyperparameter is badly set
print(____)
# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
confusion_matrix(____, ____),
accuracy_score(____, ____)))