使用 GridSearchCV 尋找最佳參數
在這個練習中，你將不再以「隨機」方式微調模型，而是改用 GridSearchCV 幫你完成設定搜尋。
使用 GridSearchCV 時，你可以指定要用哪個效能指標來評分不同的選項。因為詐欺偵測最在意能抓到盡可能多的詐欺案例，你可以將模型設定最佳化為 Recall 分數。如果你同時在意降低誤判為詐欺（false positives）的數量，也可以最佳化 F1-score，這能帶來不錯的 Precision–Recall 取捨。
GridSearchCV 已從 sklearn.model_selection 匯入，來試試看吧！
本練習屬於課程
Fraud Detection in Python
練習說明
- 在參數網格中設定要嘗試 1 與 30 棵樹，並嘗試分裂準則
gini與entropy。 - 定義一個簡單的 RandomForestClassifier，並將
random_state保持為 5，以便比較模型。 - 設定
scoring使其針對 recall 進行最佳化。 - 將模型擬合到訓練資料
X_train與y_train，並取得模型的最佳參數。
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。
# Define the parameter sets to test
param_grid = {'n_estimators': [____, ____], 'max_features': ['auto', 'log2'], 'max_depth': [4, 8], 'criterion': ['____', '____']
}
# Define the model to use
model = ____(random_state=5)
# Combine the parameter sets with the defined model
CV_model = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='____', n_jobs=-1)
# Fit the model to our training data and obtain best parameters
CV_model.fit(____, ____)
CV_model.____