Дослідження гіперпараметрів Random Forest
Розуміння доступних гіперпараметрів і їхнього впливу — ключова навичка для будь-якого дата-сайтіста. Зі зростанням складності моделей з'являється багато параметрів, які можна налаштувати, але лише деякі суттєво впливають на вашу модель.
Тепер ви оціните наявну модель випадкового лісу (вона має невдалі вибори гіперпараметрів!) і потім зробите кращі налаштування для нової моделі випадкового лісу та оціните її якість.
Вам доступні:
- датафрейми
X_train,X_test,y_train,y_test - наявний попередньо навчений оцінювач випадкового лісу
rf_clf_old - передбачення наявного оцінювача випадкового лісу на тестовій вибірці
rf_old_predictions
Ця вправа є частиною курсу
Тюнінг гіперпараметрів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Print out the old estimator, notice which hyperparameter is badly set
print(____)
# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
confusion_matrix(____, ____),
accuracy_score(____, ____)))