搜索最优森林

在本练习中，您将使用 3 折交叉验证进行网格搜索，寻找 rf 的最优超参数。为了评估网格中的每个模型，您将使用 negative mean squared error 指标。

请注意，网格搜索是穷举式搜索过程，训练模型可能会花费较长时间。此处您只需实例化 GridSearchCV 对象，而不将其拟合到训练集。正如视频中所讨论的，您可以像使用任意 scikit-learn 估计器一样，通过 .fit() 方法来训练该对象：

grid_object.fit(X_train, y_train)

未调参的随机森林回归模型 rf，以及您在上一个练习中定义的字典 params_rf，都已在您的工作空间中可用。

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。
使用 3 折交叉验证并以负均方误差作为评分指标，实例化一个 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。

# Import GridSearchCV
____

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

编辑并运行代码