Tìm kiếm lưới (Grid search) k-fold CV cho độ phức tạp mô hình
Trong slide trước, bạn đã thấy hầu hết các bộ phân loại đều có một hoặc vài siêu tham số kiểm soát độ phức tạp. Bạn cũng đã học cách tinh chỉnh chúng bằng GridSearchCV(). Ở bài tập này, bạn sẽ luyện tập thuần thục kỹ năng đó. Bạn sẽ thử nghiệm với:
- Số lượng cây,
n_estimators, trongRandomForestClassifier. - Độ sâu tối đa,
max_depth, của các cây quyết định dùng trongAdaBoostClassifier. - Số lượng láng giềng gần nhất,
n_neighbors, trongKNeighborsClassifier.
Bài tập này là một phần của khóa học
Thiết kế quy trình Machine Learning bằng Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_