Kom igångKom igång gratis

Sök efter den optimala skogen

I den här övningen utför du ett grid search med 3-faldig korsvalidering för att hitta de optimala hyperparametrarna för rf. För att utvärdera varje modell i sökningen används måttet negativt medelkvadratfel.

Observera att grid search är en uttömmande sökning och att träningen därför kan ta lång tid. Här nöjer du dig med att instansiera GridSearchCV-objektet utan att anpassa det till träningsdata. Som diskuterades i videon kan du träna ett sådant objekt på samma sätt som vilken scikit-learn-estimator som helst, med hjälp av .fit()-metoden:

grid_object.fit(X_train, y_train)

Den oinställda regressionsmodellen rf för random forests samt ordlistan params_rf 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.

  • Instansiera ett GridSearchCV-objekt med 3-faldig korsvalidering och använd negativt medelkvadratfel som utvärderingsmått.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import GridSearchCV
____

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