Comment configurer une forêt aléatoire à l'aide d'Optuna

Correction 200704 Si vous y réfléchissez bien, max_depth, n_estimators etc. auraient dû être donnés comme des valeurs discrètes suggest_discrete_uniform (name, low, high, q), j'ai donc modifié le script. Si max_depth, n_estimators, max_leaf_nodes sont des valeurs discrètes suggest_discrete_uniform, le type sera float, alors changez-le en ʻint (suggest_discrete_uniform ()) et changez le type en type entier. Je le remets. Avant correction Depuis que j'ai écrit comment utiliser ʻOptuna la dernière fois, je décrirai la méthode de réglage individuel à partir de maintenant. .. Il y a plusieurs arguments qui peuvent être passés avec Randomforest, mais j'ai mis tous les principaux avec ʻOptuna. Je me demandais s'il fallait passer max_depth, n_estimators` en tant qu'entiers ou nombres en tant que catégories, mais cette fois je les ai passés sous forme d'entiers.

def objective(trial):
    criterion = trial.suggest_categorical('criterion', ['mse', 'mae'])
    bootstrap = trial.suggest_categorical('bootstrap',['True','False'])
    max_depth = int(trial.suggest_discrete_uniform('max_depth', 10, 1000,10))
    max_features = trial.suggest_categorical('max_features', ['auto', 'sqrt','log2'])
    max_leaf_nodes = int(trial.suggest_discrete_uniform('max_leaf_nodes', 10, 1000,10))
    n_estimators =  int(trial.suggest_discrete_uniform('n_estimators', 10, 1000,10))
 
    
    regr = RandomForestRegressor(bootstrap = bootstrap, criterion = criterion,
                                 max_depth = max_depth, max_features = max_features,
                                 max_leaf_nodes = max_leaf_nodes,n_estimators = n_estimators,n_jobs=2)
 
    score = cross_val_score(regr, X_train, y_train, cv=3, scoring="r2")
    r2_mean = score.mean()
    print(r2_mean)
 
    return r2_mean

#Apprenez avec optuna
study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=1000)
 
#Convient aux hyper paramètres réglés
optimised_rf = RandomForestRegressor(bootstrap = study.best_params['bootstrap'], criterion = study.best_params['criterion'],
                                     max_depth = int(study.best_params['max_depth']), max_features = study.best_params['max_features'],
                                     max_leaf_nodes = int(study.best_params['max_leaf_nodes']),n_estimators = int(study.best_params['n_estimators']),
                                     n_jobs=2)
 
optimised_rf.fit(X_train ,y_train)

Je l'ai utilisé pour régler les hyperparamètres à l'aide de l'ensemble de données de Boston. Cela va bien.