搜索最优决策树

在本练习中，您将使用 5 折交叉验证进行网格搜索，以找到 dt 的最优超参数。请注意，网格搜索是穷举式过程，训练模型可能会花费较长时间。此处您只需实例化 GridSearchCV 对象，而无需将其拟合到训练集。正如视频中所述，您可以像训练任意 scikit-learn 估计器一样，使用 .fit() 方法来训练该对象：

grid_object.fit(X_train, y_train)

未调参的分类树 dt，以及您在上一个练习中定义的字典 params_dt，已在您的工作区中可用。

本练习是课程的一部分

Python 树模型机器学习

查看课程

练习说明

从 sklearn.model_selection 导入 GridSearchCV。
通过设置以下参数，使用 5 折 CV 实例化一个 GridSearchCV 对象：
- 将 estimator 设为 dt，param_grid 设为 params_dt，并且
- 将 scoring 设为 'roc_auc'。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import GridSearchCV
____

# Instantiate grid_dt
grid_dt = ____(estimator=____,
                       param_grid=____,
                       scoring=____,
                       cv=____,
                       n_jobs=-1)

编辑并运行代码