使用 GridSearchCV 進行超參數調校
現在你已經看過如何執行網格搜尋來進行超參數調校，接下來要用 diabetes_df 資料集中的特徵，建立一個具最佳超參數的 lasso 迴歸模型，來預測血糖值。
已為你預先載入 X_train、X_test、y_train 和 y_test。也已建立一個 KFold() 物件並存成 kf，以及一個 lasso 迴歸模型 lasso。
本練習屬於課程
使用 scikit-learn 進行監督式學習
練習說明
- 匯入
GridSearchCV。 - 為
"alpha"設定參數網格，使用np.linspace()建立從0.00001到1、等距的 20 個值。 - 呼叫
GridSearchCV()，傳入lasso、參數網格，並將cv設為kf。 - 將網格搜尋物件配適到訓練資料，以執行具交叉驗證的網格搜尋。
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
____
# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}
# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)
# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))