用 GridSearchCV 寻找最优参数
在本练习中，您将不再「随意」微调模型，而是用 GridSearchCV 来帮您系统搜索。
使用 GridSearchCV，您可以指定用于评分的性能指标。针对欺诈检测，我们更关注尽可能多地捕获欺诈样本，因此可以将模型调优为尽可能提高召回率（Recall）。如果您同样关心减少误报数量，也可以优化 F1 分数，以在精确率与召回率之间做权衡。
GridSearchCV 已从 sklearn.model_selection 导入，试试看吧！
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 在参数网格中设定要尝试 1 和 30 棵树，并尝试
gini与entropy两种划分准则。 - 将模型定义为简单的 RandomForestClassifier，并将 random_state 设为 5，以便比较模型。
- 设置
scoring选项，使其以召回率为优化目标。 - 将模型拟合到训练数据
X_train和y_train，并获取该模型的最优参数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Define the parameter sets to test
param_grid = {'n_estimators': [____, ____], 'max_features': ['auto', 'log2'], 'max_depth': [4, 8], 'criterion': ['____', '____']
}
# Define the model to use
model = ____(random_state=5)
# Combine the parameter sets with the defined model
CV_model = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='____', n_jobs=-1)
# Fit the model to our training data and obtain best parameters
CV_model.fit(____, ____)
CV_model.____