1. Learn
    2. /
  2. Курси
    3. /
  3. Машинне навчання з деревоподібними моделями в Python
Connected

вправа

Пошук оптимального лісу

У цій вправі ви виконаєте перебір по сітці з 3-кратною перехресною перевіркою, щоб знайти оптимальні гіперпараметри для rf. Для оцінювання кожної моделі в сітці ви використаєте метрику negative mean squared error.

Зауважте, що оскільки перебір по сітці — це вичерпний пошук, навчання моделі може займати багато часу. Тут ви лише створите об'єкт GridSearchCV, не навчаючи його на тренувальній вибірці. Як обговорювалося у відео, навчити такий об'єкт можна так само, як і будь-який оцінювач scikit-learn, за допомогою методу .fit():

grid_object.fit(X_train, y_train)

Неналаштована модель регресора Random Forest rf, а також словник params_rf, які ви визначили в попередній вправі, доступні у вашому робочому середовищі.

Інструкції

100 XP

  • Імпортуйте GridSearchCV з sklearn.model_selection.

  • Створіть об'єкт GridSearchCV, використовуючи 3-кратну перехресну перевірку та метрику оцінювання negative mean squared error.