用 Random Forest 進行隨機搜尋
為了鞏固你對隨機取樣的理解，讓我們用不同的超參數與不同的演算法來做一個類似的練習。
和之前一樣，先建立一些超參數的清單，之後可以壓成一個「清單的清單」。你將使用隨機森林演算法的超參數 criterion、max_depth 與 max_features。接著，為即將執行的隨機搜尋，隨機抽取多組超參數組合。
在這個任務中，你會用一個稍微不同的取樣方式：random.sample()。
本練習屬於課程
Python 超參數調校
練習說明
- 為
criterion建立包含值'gini'與'entropy'的清單，為max_features建立包含"auto", "sqrt", "log2", None的清單。 - 為超參數
max_depth建立一個介於 3 到 55（含）之間的數值清單，並指定給清單max_depth_list。記住，range(N,M)會建立從N到M-1 的清單。 - 使用
product()將這些清單合併成一個可供取樣的「清單的清單」。 - 從合併後的清單中隨機取樣 150 個模型，並印出結果。
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。
# Create lists for criterion and max_features
criterion_list = ____
max_feature_list = ____
# Create a list of values for the max_depth hyperparameter
max_depth_list = list(range(____,____))
# Combination list
combinations_list = [list(x) for x in product(____, ____, ____)]
# Sample hyperparameter combinations for a random search
combinations_random_chosen = random.sample(____, ____)
# Print the result
print(____)