เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ค้นหาต้นไม้ที่มี hyperparameter เหมาะสมที่สุด

ในแบบฝึกหัดนี้ จะใช้ grid search ร่วมกับ cross validation แบบ 5-fold เพื่อค้นหา hyperparameter ที่เหมาะสมที่สุดของ dt โปรดทราบว่า grid search เป็นกระบวนการแบบ exhaustive จึงอาจใช้เวลานานในการเทรนโมเดล ในที่นี้จะเป็นการสร้าง object GridSearchCV เพียงอย่างเดียว โดยยังไม่ต้อง fit กับชุดข้อมูลฝึก ดังที่ได้กล่าวถึงในวิดีโอ สามารถเทรน object ดังกล่าวได้เหมือนกับ estimator ของ scikit-learn ทั่วไป โดยใช้เมธอด .fit():

grid_object.fit(X_train, y_train)

ในพื้นที่ทำงานมี classification tree dt ที่ยังไม่ได้ปรับแต่ง รวมถึง dictionary params_dt ที่กำหนดไว้ในแบบฝึกหัดก่อนหน้าพร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า GridSearchCV จาก sklearn.model_selection

  • สร้าง object GridSearchCV โดยใช้ CV แบบ 5-fold ด้วยการตั้งค่า parameter ดังนี้:

    • estimator เป็น dt, param_grid เป็น params_dt และ

    • scoring เป็น 'roc_auc'

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import GridSearchCV
____

# Instantiate grid_dt
grid_dt = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       n_jobs=-1)
แก้ไขและรันโค้ด