BaşlayınÜcretsiz Başlayın

Scikit Learn ile GridSearchCV

Scikit Learn'deki GridSearchCV modülü, bir grid search'ü verimli biçimde yürütmene yardımcı olacak birçok yararlı özellik sunar. Şimdi belirli parametrelerle bir GridSearchCV nesnesi oluşturarak öğrendiklerini uygulamaya dökeceksin.

İstenen seçenekler:

  • Bölme ölçütü 'entropy' olan bir Random Forest tahmin edicisi
  • 5 katlı çapraz doğrulama
  • Hiperparametreler: max_depth (2, 4, 8, 15) ve max_features ('auto' ve 'sqrt')
  • Modelleri puanlamak için roc_auc kullan
  • Paralel işlem için 4 çekirdek kullan
  • En iyi modeli yeniden eğittiğinden (refit) ve eğitim puanlarını döndürdüğünden emin ol

X_train, X_test, y_train ve y_test veri kümeleri kullanılabilir olacaktır.

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Yukarıdaki bağlamda belirtildiği gibi bir Random Forest tahmin edicisi oluştur.
  • Yukarıdaki bağlamda belirtildiği gibi bir parametre ızgarası oluştur.
  • Önceki iki adımda oluşturduğun iki öğeyi kullanarak, yukarıdaki bağlamda açıklandığı gibi bir GridSearchCV nesnesi oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
Kodu Düzenle ve Çalıştır