ПочатиПочніть безкоштовно

Випадковий пошук із Random Forest

Щоб закріпити знання про випадкову вибірку, виконайте схожу вправу, але з іншими гіперпараметрами та іншим алгоритмом.

Як і раніше, створіть кілька списків гіперпараметрів, які можна «запакувати» у список списків. Ви використаєте гіперпараметри criterion, max_depth і max_features алгоритму випадкового лісу. Потім ви випадково виберете комбінації гіперпараметрів, готуючись до запуску випадкового пошуку.

У цій задачі ви використаєте дещо інший пакет для вибірки — random.sample().

Ця вправа є частиною курсу

Тюнінг гіперпараметрів у Python

Переглянути курс

Інструкції до вправи

  • Створіть списки значень 'gini' і 'entropy' для criterion та "auto", "sqrt", "log2", None для max_features.
  • Створіть список значень від 3 до 55 включно для гіперпараметра max_depth і присвойте його списку max_depth_list. Пам'ятайте, що range(N,M) створює список від N до M-1.
  • Об'єднайте ці списки в список списків для вибірки за допомогою product().
  • Випадково виберіть 150 моделей із об'єднаного списку та виведіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create lists for criterion and max_features
criterion_list = ____
max_feature_list = ____

# Create a list of values for the max_depth hyperparameter
max_depth_list = list(range(____,____))

# Combination list
combinations_list = [list(x) for x in product(____, ____, ____)]

# Sample hyperparameter combinations for a random search
combinations_random_chosen = random.sample(____, ____)

# Print the result
print(____)
Редагувати та запускати код