开始使用免费开始使用

使用 Scikit Learn 的 GridSearchCV

Scikit Learn 的 GridSearchCV 模块提供了许多实用功能，能高效执行网格搜索。现在请将所学付诸实践，根据给定参数创建一个 GridSearchCV 对象。

需要的配置如下：

  • 随机森林估计器，划分准则为 'entropy'
  • 5 折交叉验证
  • 超参数 max_depth（2、4、8、15）与 max_features（'auto' 与 'sqrt'）
  • 使用 roc_auc 作为模型评分指标
  • 并行使用 4 个核心进行处理
  • 需要对最佳模型进行重新拟合，并返回训练集评分

您将可使用 X_train、X_test、y_train 与 y_test 数据集。

本练习是课程的一部分

Python 中的超参数调优

查看课程

练习说明

  • 按上述背景说明创建一个随机森林估计器。
  • 按上述背景说明创建参数网格。
  • 使用前两步创建的对象，按上述背景说明创建一个 GridSearchCV 对象。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Create a Random Forest Classifier with specified criterion
rf_class = RandomForestClassifier(____=____)

# Create the parameter grid
param_grid = {____: ____, ____: ____} 

# Create a GridSearchCV object
grid_rf_class = GridSearchCV(
    estimator=____,
    param_grid=____,
    scoring=____,
    n_jobs=____,
    cv=____,
    refit=____, return_train_score=____)
print(grid_rf_class)
编辑并运行代码