Kom igångKom igång gratis

Slumpmässig sökning med Random Forest

För att befästa din förståelse av slumpmässigt urval ska vi göra en liknande övning, men med andra hyperparametrar och en annan algoritm.

Precis som tidigare skapar du listor med hyperparametrar som kan kombineras till en lista av listor. Du använder hyperparametrarna criterion, max_depth och max_features i Random Forest-algoritmen. Sedan samplar du slumpmässigt kombinationer av hyperparametrar som förberedelse inför en random search.

I den här uppgiften använder du ett något annat paket för urval: random.sample().

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Övningsinstruktioner

  • Skapa listor med värdena 'gini' och 'entropy' för criterion samt "auto", "sqrt", "log2", None för max_features.
  • Skapa en lista med värden mellan 3 och 55 (inklusive) för hyperparametern max_depth och tilldela den till listan max_depth_list. Kom ihåg att range(N,M) skapar en lista från N till M-1.
  • Kombinera listorna till en lista av listor att sampla från med hjälp av product().
  • Sampla slumpmässigt 150 modeller från den kombinerade listan och skriv ut resultatet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create lists for criterion and max_features
criterion_list = ____
max_feature_list = ____

# Create a list of values for the max_depth hyperparameter
max_depth_list = list(range(____,____))

# Combination list
combinations_list = [list(x) for x in product(____, ____, ____)]

# Sample hyperparameter combinations for a random search
combinations_random_chosen = random.sample(____, ____)

# Print the result
print(____)
Redigera och kör kod