ПочатиПочніть безкоштовно

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.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте GridSearchCV з sklearn.model_selection.

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

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)
Редагувати та запускати код