Пошук по сітці

Згадайте, що в попередньому уроці ми створили базову модель Gradient Boosting. Тепер ваша мета — підібрати найкраще значення гіперпараметра max_depth для цієї моделі Gradient Boosting. Цей гіперпараметр обмежує кількість вузлів у кожному окремому дереві. Ви використовуватимете K-кратну перехресну перевірку, щоб оцінити локальну якість моделі для кожного значення гіперпараметра.

Вам надано функцію get_cv_score(), яка приймає тренувальний набір даних і словник параметрів моделі як аргументи та повертає підсумкове значення валідаційної RMSE за результатами 3-кратної перехресної перевірки.

Ця вправа є частиною курсу

Як перемагати в змаганнях Kaggle за допомогою Python

Переглянути курс

Інструкції до вправи

Вкажіть сітку можливих значень max_depth: 3, 6, 9, 12 і 15.
Передайте кожного кандидата гіперпараметра із сітки до словника параметрів моделі params.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Possible max depth values
max_depth_grid = [____]
results = {}

# For each value in the grid
for max_depth_candidate in max_depth_grid:
    # Specify parameters for the model
    params = {'max_depth': ____}

    # Calculate validation score for a particular hyperparameter
    validation_score = get_cv_score(train, params)

    # Save the results for each max depth value
    results[max_depth_candidate] = validation_score   
print(results)

Редагувати та запускати код