Kom igångKom igång gratis

Sök efter det optimala beslutsträdet

I den här övningen utför du en grid search med 5-faldig korsvalidering för att hitta dt:s optimala hyperparametrar. Observera att grid search är en uttömmande process och att träning av modellen kan ta lång tid. Här skapar du bara ett GridSearchCV-objekt utan att anpassa det till träningsdatan. Som diskuterades i videon kan du träna ett sådant objekt på samma sätt som vilken scikit-learn-estimator som helst, med hjälp av metoden .fit():

grid_object.fit(X_train, y_train)

Ett oinställt klassificeringsträd dt samt ordlistan params_dt som du definierade i föregående övning finns tillgängliga i din arbetsyta.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera GridSearchCV från sklearn.model_selection.

  • Skapa ett GridSearchCV-objekt med 5-faldig korsvalidering genom att ange följande parametrar:

    • estimator till dt, param_grid till params_dt och

    • scoring till 'roc_auc'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import GridSearchCV
____

# Instantiate grid_dt
grid_dt = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       n_jobs=-1)
Redigera och kör kod