RandomSearch

Random Search erstellt zufällig verschiedene Modelle und bewertet anschließend den Score So muss weniger gerechnet werden als bei GridSearch

Import

---

from sklearn.model_selection import RandomizedSearchCV

Objekt erstellen

---

Parameter erstellen

Die Parameter müssen zum Algorithmus(z.B. DecisionTree oder KNeighbours) passen, auf den die RandomSearch angewendet wird

# Sample Params for DecisionTreeClassifier
parameters = {
    "criterion": ["gini", "entropy"],
    "max_depth": [2, 3, 4, 5, 6, 8, 10],
    "min_samples_split": [2, 4, 6],
    "min_samples_leaf": [1, 2],
    "max_features": ["sqrt", "log2"]
}

Klassifikationsalgorithmus erstellen

# z.B.
clf = DecisionTreeClassifier()
# oder
clf = KNeighborsClassifier()

RandomSearch erstellen

RandomizedSearchCV(
	_estimator_, 
	_param_distributions_, 
	_*_, 
	_n_iter=10_, 
	_scoring=None_, 
	_n_jobs=None_, 
	_refit=True_, 
	_cv=None_, 
	_verbose=0_, 
	_pre_dispatch='2*n_jobs'_, 
	_random_state=None_, 
	_error_score=nan_, 
	_return_train_score=False_)

Beispiel:

rand_cv = RandomizedSearchCV(clf, param_distributions=parameters, n_iter=5, cv=3)

Die besten Parameter finden

---

rand_cv.fit(x_train, y_train)
print("Best Params:", rand_cv.best_params_)

Bewerten der Genauigkeit

---

best_score = rand_cv.best_score_
print("Best Tree Score", best_score * 100.0, "%")