【数据分析】波士顿房价使用决策树中的regressor进行网格搜索交叉验证

日常的小练习，题目如下：

(1)    获取sklearn中波士顿房价boston数据
(2)    切分训练集 和 测试集
(3)    实例化 决策树模型对象 不传入 超级参数 max_depth
(4)    使用网格搜索交叉验证 寻找 最优超级参数 max_depth，实例化对象是注意要传入三个参数参数 1.模型对象 2.超级参数的搜索范围 3.几折交叉验证
(5)    打印best_参数
(6)    打印best_score
(7)    使用 最优超级参数 ，重新实例化 模型对象 ，再重新 训练模型

导包：

from sklearn.datasets import load_boston
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.tree import DecisionTreeRegressor

代码部分：

# 获取sklearn中波士顿房价boston数据
data = load_boston()
x = data.data
y = data.target
# 切分训练集 和 测试集
train_x, test_x, train_y, test_y = train_test_split(x, y, test_size=0.2, shuffle=True)
# 实例化 决策树模型对象 不传入 超参数 max_depth
tree = DecisionTreeRegressor()
# 使用网格搜索交叉验证 寻找 最优超级参数 max_depth，实例化对象是注意要传入三个参数参数 1.模型对象 2.超级参数的搜索范围 3.几折交叉验证
params = {'max_depth': [5, 7, 9]}
model = GridSearchCV(estimator=tree, param_grid=params, cv=5)
model.fit(train_x, train_y)
# 打印best_参数
print(model.best_params_)
# 打印best_score
print(model.best_score_)
# 使用 最优超级参数 ，重新实例化 模型对象 ，再重新 训练模型
tree = DecisionTreeRegressor(max_depth=model.best_params_['max_depth'])
tree.fit(train_x, train_y)