Kom igångKom igång gratis

Ange hyperparametergrid för RF

I den här övningen ställer du manuellt in griden av hyperparametrar som används för att finjustera rf:s hyperparametrar och hitta den optimala regressorn. Du konstruerar en hyperparametergrid och justerar antalet estimatorer, det maximala antalet särdrag som används vid uppdelning av varje nod samt det minsta antalet sampel (eller andelen sampel) per löv.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Definiera en hyperparametergrid som en Python-ordlista kallad params_rf med:

    • nyckeln 'n_estimators' satt till en lista med värdena 100, 350, 500

    • nyckeln 'max_features' satt till en lista med värdena 'log2', 'auto', 'sqrt'

    • nyckeln 'min_samples_leaf' satt till en lista med värdena 2, 10, 30

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define the dictionary 'params_rf'
params_rf = ____
Redigera och kör kod