การปรับ Hyperparameter อื่นๆ
พลังที่แท้จริงของ GridSearchCV จะแสดงออกมาเมื่อปรับ Hyperparameter หลายตัวพร้อมกัน เพราะอัลกอริทึมจะลองทุกชุดค่าผสมที่เป็นไปได้เพื่อหาชุดที่ดีที่สุด ในแบบฝึกหัดนี้จะปรับ Hyperparameter ของ Random Forest ดังนี้:
| Hyperparameter | วัตถุประสงค์ |
|---|---|
| criterion | คุณภาพของการแบ่งข้อมูล |
| max_features | จำนวนฟีเจอร์สำหรับการแบ่งที่ดีที่สุด |
| max_depth | ความลึกสูงสุดของต้นไม้ |
| bootstrap | ระบุว่าใช้ Bootstrap Samples หรือไม่ |
ได้กำหนด Hyperparameter Grid ไว้ให้แล้ว พร้อมกับตัวแบ่งประเภท Random Forest ชื่อ clf
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)