Grid search
你可以用 sklearn 進行超參數調校，只要提供各種輸入參數；每個參數都能搭配 numpy 的函式來編碼。當中有一種方法叫作「grid search（網格搜尋）」，會把 param_grid 指定的所有超參數組合完整跑過一遍。在這個練習中，你會用網格搜尋來探索一個範例隨機森林分類器的超參數，並以 ROC 曲線的 AUC 作為評分函式。
工作環境中已提供 X_train、y_train、X_test、y_test。pandas（縮寫為 pd）、numpy（縮寫為 np），以及 sklearn 也都可用。此外，sklearn.model_selection 的 GridSearchCV() 也已可使用。
本練習屬於課程
用 Python 透過機器學習預測 CTR
練習說明
- 建立
n_estimators與max_depth兩個超參數各自的取值清單。 - 建立一個隨機森林分類器。
- 設定網格搜尋以遍歷所有超參數組合。
- 使用
.best_score_印出最佳 AUC 分數，並用.best_estimator_印出產生此分數的最佳估計器。
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 list of hyperparameters
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}
# Use Grid search CV to find best parameters
print("starting RF grid search.. ")
rf = ____()
clf = ____(estimator = rf, param_grid = ____, scoring = 'roc_auc')
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)