以 Grid search CV 調整模型複雜度
在上一張投影片中，你看到多數分類器都有一個或多個超參數用來控制模型的複雜度。你也學會使用 GridSearchCV() 來調校它們。在這個練習中，你會把這項技能用得更純熟。你將嘗試調整：
- 在
RandomForestClassifier中樹的數量n_estimators。 - 在
AdaBoostClassifier所使用決策樹的最大深度max_depth。 - 在
KNeighborsClassifier中最近鄰的數量n_neighbors。
本練習屬於課程
在 Python 設計機器學習工作流程
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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_