เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ค้นหา forest ที่เหมาะสมที่สุด

ในแบบฝึกหัดนี้ จะใช้ grid search ร่วมกับ cross validation แบบ 3-fold เพื่อหา hyperparameters ที่เหมาะสมที่สุดของ rf โดยจะใช้เมตริก negative mean squared error ในการประเมินแต่ละโมเดลใน grid

เนื่องจาก grid search เป็นกระบวนการค้นหาแบบละเอียดถี่ถ้วน จึงอาจใช้เวลานานในการเทรนโมเดล ในที่นี้จะสร้าง object GridSearchCV ขึ้นมาโดยยังไม่ต้อง fit กับชุดข้อมูลเทรน ดังที่ได้อธิบายในวิดีโอ สามารถเทรน object ดังกล่าวได้เหมือนกับ estimator ของ scikit-learn ทั่วไปโดยใช้เมธอด .fit():

grid_object.fit(X_train, y_train)

โมเดล random forests regressor ที่ยังไม่ได้ปรับแต่ง rf รวมถึง dictionary params_rf ที่กำหนดไว้ในแบบฝึกหัดก่อนหน้านี้ พร้อมใช้งานใน workspace ของคุณแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import GridSearchCV จาก sklearn.model_selection

  • สร้าง object GridSearchCV โดยใช้ CV แบบ 3-fold และกำหนด negative mean squared error เป็นเมตริกสำหรับการให้คะแนน

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import GridSearchCV
____

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