搜尋最佳的森林

在這個練習中，你將使用 3 折交叉驗證來進行網格搜尋，找出 rf 的最佳超參數。為了評估網格中的每個模型，你會使用指標［negative mean squared error（負均方誤差）］（https://scikit-learn.org/stable/modules/model_evaluation.html）。

請注意，網格搜尋是全面性的搜尋流程，訓練模型可能會花較多時間。這裡你只需要建立 GridSearchCV 物件，而不必將它擬合到訓練集。如同影片所述，你可以像使用任何 scikit-learn 的估計器一樣，透過 .fit() 方法來訓練該物件：

grid_object.fit(X_train, y_train)

未調參的隨機森林迴歸模型 rf，以及你在前一個練習中定義的字典 params_rf，已經放在你的工作環境中可供使用。

本練習屬於課程

Machine Learning with Tree-Based Models in Python

檢視課程

練習說明

從 sklearn.model_selection 匯入 GridSearchCV。
建立一個使用 3 折交叉驗證的 GridSearchCV 物件，並將評分指標設為 negative mean squared error。

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。

# Import GridSearchCV
____

# Instantiate grid_rf
grid_rf = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       verbose=1,
                       n_jobs=-1)

編輯並執行程式碼