ПочатиПочніть безкоштовно

GridSearchCV у Scikit Learn

Модуль GridSearchCV із Scikit Learn надає багато корисних можливостей, щоб ефективно виконувати пошук за сіткою. Застосуйте знання на практиці та створіть об'єкт GridSearchCV із заданими параметрами.

Потрібні опції:

  • оцінювач Random Forest зі способом поділу 'entropy'
  • перехресна перевірка на 5 фолдах
  • гіперпараметри max_depth (2, 4, 8, 15) і max_features ('auto' проти 'sqrt')
  • використовуйте roc_auc для оцінювання моделей
  • використовуйте 4 ядра для паралельної обробки
  • переконайтесь, що ви повторно навчаєте (refit) найкращу модель і повертаєте навчальні оцінки

У вашому розпорядженні будуть набори даних X_train, X_test, y_train і y_test.

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Створіть оцінювач Random Forest, як указано вище в контексті.
  • Створіть сітку параметрів, як указано вище в контексті.
  • Створіть об'єкт GridSearchCV, як описано в контексті вище, використовуючи два елементи, створені у двох попередніх інструкціях.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код