Scikit Learn 中的 RandomizedSearchCV
來練習使用 Scikit Learn 建立一個 RandomizedSearchCV 物件。
超參數網格應包含 max_depth（5 到 25 之間且包含端點的所有值）與 max_features（'auto' 與 'sqrt'）。
這個 RandomizedSearchCV 物件需要的設定如下：
- 使用
n_estimators為 80 的 RandomForestClassifier 作為估計器。 - 3 折交叉驗證（
cv）。 - 使用
roc_auc來評分模型。 - 平行處理時使用 4 個核心（
n_jobs）。 - 重新訓練最佳模型並回傳訓練分數。
- 為了效率只抽樣 5 個組合（
n_iter）。
X_train 與 y_train 資料集已為你載入。
記得，若要擷取被選中的超參數，可在 cv_results_ 中找到；每個超參數會對應到一個欄位。例如，超參數 criterion 的欄位會是 param_criterion。
本練習屬於課程
Python 超參數調校
練習說明
- 依照上方說明建立超參數網格。
- 依照上方說明建立
RandomizedSearchCV物件。 - 將
RandomizedSearchCV物件擬合到訓練資料。 - 存取
cv_results_，列印出模型程序為兩個超參數（max_depth與max_features）所選擇的值。
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。
# Create the parameter grid
param_grid = {'max_depth': list(range(____,26)), 'max_features': [____ , ____]}
# Create a random search object
random_rf_class = RandomizedSearchCV(
estimator = ____(n_estimators=____),
param_distributions = ____, n_iter = ____,
scoring=____, n_jobs=____, cv = ____, refit=____, return_train_score = ____ )
# Fit to the training data
____.fit(X_train, y_train)
# Print the values used for both hyperparameters
print(random_rf_class.cv_results_[____])
print(random_rf_class.cv_results_[____])