Justera andra hyperparametrar
Styrkan hos GridSearchCV visar sig verkligen när du justerar flera hyperparametrar samtidigt – då provar algoritmen alla möjliga kombinationer för att hitta den bästa. Här justerar du följande hyperparametrar för random forest:
| Hyperparameter | Syfte |
|---|---|
| criterion | Kvalitet på uppdelning |
| max_features | Antal särdrag för bästa uppdelning |
| max_depth | Maximalt djup för trädet |
| bootstrap | Om bootstrap-urval används |
Hyperparametergallret har redan definierats åt dig, tillsammans med en random forest-klassificerare kallad clf.
Den här övningen är en del av kursen
Marknadsföringsanalys: Prediktera kundbortfall i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)