Налаштування інших гіперпараметрів
Справжня сила GridSearchCV розкривається, коли ви налаштовуєте кілька гіперпараметрів одночасно, адже алгоритм перебирає усі можливі комбінації, щоб знайти найкращу. Тут ви налаштуєте такі гіперпараметри випадкового лісу:
| Гіперпараметр | Призначення |
|---|---|
| criterion | Якість розбиття |
| max_features | Кількість ознак для найкращого розбиття |
| max_depth | Максимальна глибина дерева |
| bootstrap | Чи використовуються bootstrap-вибірки |
Сітку гіперпараметрів уже задано для вас, а також надано класифікатор випадкового лісу clf.
Ця вправа є частиною курсу
Маркетингова аналітика: прогнозування відтоку клієнтів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import GridSearchCV
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)