微調其他超參數
當你要同時微調多個超參數時，GridSearchCV 的威力就會完全展現。演算法會嘗試所有可能的超參數組合，找出最佳的搭配。這裡你要微調下列隨機森林的超參數：
| Hyperparameter | Purpose |
|---|---|
| criterion | 分割品質 |
| max_features | 用於最佳分割的特徵數量 |
| max_depth | 樹的最大深度 |
| bootstrap | 是否使用 Bootstrap 樣本 |
我們已經為你定義好超參數網格，並提供名為 clf 的隨機森林分類器。
本練習屬於課程
行銷分析：用 Python 預測客戶流失
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
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)