Kom igångKom igång gratis

Förberedelser inför RandomizedSearch

Förra terminen utmanade din professor klassen att bygga en prediktiv modell för att förutsäga resultat på slutprovet. Du provade några olika modeller genom att slumpmässigt välja hyperparametrar, men varje modell krävde sin egen kod.

Efter att ha lärt dig om RandomizedSearchCV() återvänder du nu till professorns utmaning för att bygga den bästa möjliga modellen. I den här övningen förbereder du de tre nödvändiga indataelementen för att genomföra en slumpmässig sökning.

Den här övningen är en del av kursen

Modellvalidering i Python

Visa kurs

Övningsinstruktioner

  • Slutför parameterordlistan genom att lägga till en lista för parametern max_depth med alternativen 2, 4, 6 och 8.
  • Skapa en slumpskogsregressionsmodell med tio träd och ett random_state-värde på 1111.
  • Skapa en MSE-poängsättare (mean squared error) att använda.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import make_scorer, mean_squared_error

# Finish the dictionary by adding the max_depth parameter
param_dist = {"____": [____],
              "max_features": [2, 4, 6, 8, 10],
              "min_samples_split": [2, 4, 8, 16]}

# Create a random forest regression model
rfr = ____(____=10, ____=1111)

# Create a scorer to use (use the mean squared error)
scorer = ____(____)
Redigera och kör kod