ПочатиПочніть безкоштовно

Пошук по сітці з перехресною перевіркою для складності моделі

На попередньому слайді ви бачили, що більшість класифікаторів мають один або кілька гіперпараметрів, які керують їхньою складністю. Ви також навчились налаштовувати їх за допомогою GridSearchCV(). У цій вправі ви відшліфуєте цю навичку. Ви поекспериментуєте з:

  • Кількістю дерев n_estimators у RandomForestClassifier.
  • Максимальною глибиною max_depth дерев рішень, які використовує AdaBoostClassifier.
  • Кількістю найближчих сусідів n_neighbors у KNeighborsClassifier.

Ця вправа є частиною курсу

Проєктування робочих процесів машинного навчання в Python

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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_
Редагувати та запускати код