分析最佳結果
在實務上，我們最在乎的是網格搜尋中表現最好的「方格」。幸好，Scikit Learn 的 gridSearchCv 物件提供多個參數，可以直接取得最佳方格（或 cv_results_ 中對應那一列）的關鍵資訊。
你將會探索三個屬性：
best_score_：最佳方格的分數（此處為 ROC_AUC）。best_index_：cv_results_中包含最佳方格資訊的那一列索引。best_params_：產生最佳分數的參數字典，例如'max_depth': 10。
已為你提供網格搜尋物件 grid_rf_class。
第 6 行已替你從 cv_results_ 建立一個資料框（cv_results_df）。這能幫助你用索引存取結果。
本練習屬於課程
Python 超參數調校
練習說明
- 從
grid_rf_class中表現最佳的方格，擷取並列印 ROC_AUC 的分數。 - 透過索引存取
cv_results_df，建立一個對應至最佳那一列的變數。 - 建立變數
best_n_estimators，從grid_rf_class的最佳方格中擷取n_estimators參數，並將其列印出來。
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。
# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)
# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)
# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)