設定 GridSearch 參數
超參數（hyperparameter）是函式內部用來控制行為的參數。例如，max_depth 或 min_samples_leaf 是 DecisionTreeClassifier() 的超參數。調整超參數（hyperparameter tuning）就是測試不同的超參數取值，以找出最佳組合：也就是最符合你的目標、能帶來最佳預測的設定。在 sklearn 中，你可以用 GridSearch 來測試不同的超參數組合。更進一步，你可以用 GridSearchCV() 在同一個函式裡同時測試各種組合並執行交叉驗證！
在這個練習中，你要先準備想要測試的 max_depth 與 min_samples_leaf 的各種取值。接著把它們放進一個字典，因為 GridSearchCV() 需要的輸入就是：
- 字典的鍵為超參數名稱
- 字典的值為你想要測試的屬性（也就是超參數的各種取值）
你不需要手動逐一列出所有數值，而是使用 range() 函式來按步進產生。例如，range(1, 10, 2) 會產生從 1（含）到 10（不含），每次遞增 2 的數列。最後結果為 [1, 3, 5, 7, 9]。
本練習屬於課程
HR 分析：用 Python 預測員工流失
練習說明
- 依照上面範例的格式，產生最大深度從 5 到 20、每次遞增 1 的數值
- 以相同方式，為最小葉節點樣本數產生從 50 到 450、每次遞增 50 的數值
- 使用你剛建立的變數，建立字典並指定要嘗試的
max_depth與min_samples_leaf的取值
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。
# Generate values for maximum depth
depth = [i for i in ____(5,21,1)]
# Generate values for minimum sample size
samples = [i for i in range(____,500,____)]
# Create the dictionary with parameters to be checked
parameters = dict(max_depth=depth, min_samples_leaf=____)