เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สำรวจ Hyperparameter ของ Random Forest

การทำความเข้าใจว่ามี hyperparameter ใดบ้างและแต่ละตัวส่งผลอย่างไรต่อโมเดล ถือเป็นทักษะสำคัญของนักวิทยาศาสตร์ข้อมูลทุกคน เมื่อโมเดลมีความซับซ้อนมากขึ้น ก็จะมีค่าที่ปรับได้มากขึ้นตามไปด้วย แต่มีเพียงบางตัวเท่านั้นที่ส่งผลกระทบอย่างมีนัยสำคัญ

ในแบบฝึกหัดนี้ จะได้ประเมินโมเดล random forest ที่มีอยู่ (ซึ่งตั้ง hyperparameter ไว้ไม่ดีนัก!) จากนั้นจึงเลือกค่าที่ดีกว่าสำหรับโมเดลใหม่และประเมินประสิทธิภาพของมัน

ข้อมูลที่มีให้:

  • DataFrame X_train, X_test, y_train, y_test
  • โมเดล random forest ที่ฝึกไว้แล้ว rf_clf_old
  • ผลการพยากรณ์ของโมเดลเดิมบนชุดทดสอบ rf_old_predictions

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Print out the old estimator, notice which hyperparameter is badly set
print(____)

# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
  	confusion_matrix(____, ____),
  	accuracy_score(____, ____)))
แก้ไขและรันโค้ด