BaşlayınÜcretsiz başlayın

Model karmaşıklığı için grid search CV

Son slaytta, çoğu sınıflandırıcının karmaşıklığını kontrol eden bir veya daha fazla hiperparametreye sahip olduğunu gördün. Ayrıca bunları GridSearchCV() kullanarak ayarlamayı öğrendin. Bu egzersizde bu beceriyi mükemmelleştireceksin. Şunlarla denemeler yapacaksın:

  • RandomForestClassifier içindeki ağaç sayısı, n_estimators.
  • AdaBoostClassifier'da kullanılan karar ağaçlarının maksimum derinliği, max_depth.
  • KNeighborsClassifier içindeki en yakın komşu sayısı, n_neighbors.

Bu egzersiz, kursun bir parçasıdır

Python'da Machine Learning İş Akışları Tasarlama

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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_
Kodu Düzenle ve Çalıştır