เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Grid Search CV สำหรับความซับซ้อนของโมเดล

ในสไลด์ที่ผ่านมา คุณได้เห็นว่า classifier ส่วนใหญ่มี hyperparameter อย่างน้อยหนึ่งตัวที่ใช้ควบคุมความซับซ้อนของโมเดล และได้เรียนรู้วิธีปรับแต่งค่าเหล่านั้นด้วย GridSearchCV() ในแบบฝึกหัดนี้ จะได้ฝึกทักษะนี้ให้ชำนาญยิ่งขึ้น โดยจะทดลองปรับแต่ง:

  • จำนวนต้นไม้ n_estimators ใน RandomForestClassifier
  • ความลึกสูงสุด max_depth ของ decision tree ที่ใช้ใน AdaBoostClassifier
  • จำนวนเพื่อนบ้านที่ใกล้ที่สุด n_neighbors ใน KNeighborsClassifier

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การออกแบบ Machine Learning Workflows ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}

# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_
แก้ไขและรันโค้ด