调优其他超参数
当您需要同时调多个超参数时，GridSearchCV 的优势就体现出来了。算法会尝试超参数的所有组合，从而找出最佳组合。本练习中，您将调优以下随机森林超参数：
| Hyperparameter | Purpose |
|---|---|
| criterion | Quality of Split |
| max_features | Number of features for best split |
| max_depth | Max depth of tree |
| bootstrap | Whether Bootstrap samples are used |
已经为您准备好了超参数搜索网格，以及名为 clf 的随机森林分类器。
本练习是课程的一部分
营销分析：用 Python 预测客户流失
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
from sklearn.model_selection import GridSearchCV
# Create the hyperparameter grid
param_grid = {"max_depth": [3, None],
"max_features": [1, 3, 10],
"bootstrap": [True, False],
"criterion": ["gini", "entropy"]}
# Call GridSearchCV
grid_search = ____(___,___,cv=3)