使用网格搜索交叉验证调整模型复杂度
在上一张幻灯片中，您看到大多数分类器都有一个或多个用于控制模型复杂度的超参数。您也学习了如何使用 GridSearchCV() 来调优它们。在本练习中，您将进一步巩固这项技能。您将尝试：
- 在
RandomForestClassifier中调整树的数量n_estimators。 - 在
AdaBoostClassifier中调整所用决策树的最大深度max_depth。 - 在
KNeighborsClassifier中调整最近邻居的数量n_neighbors。
本练习是课程的一部分
用 Python 设计机器学习工作流
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_