Türkçe - İngilizce çeviri (v1.4 yeni)
?Türkçe
Aşırı uyumun önlenmesi ve tahmin performansının en üst düzeye çıkarılması için, 0 katlı çapraz doğrulama ile GridSearchCV kullanılarak hiperparametre optimizasyonu gerçekleştirildi. Bu süreçte, karar ağaçlarının maksimum derinliği (max_depth: 0, 0, 0), öğrenme oranı (learning_rate: 0.00, 0.0, 0.0) ve ağaç sayısı (n_estimators: 00, 000, 000) olmak üzere bir parametre ızgarası değerlendirildi. Deneysel sonuçlara dayanarak, model için en uygun parametreler learning_rate=0.0, max_depth=0 ve n_estimators=000 olarak belirlendi ve son model bu hiperparametreler kullanılarak eğitildi.
İngilizce
To prevent overfitting and maximize prediction performance, hyperparameter optimization was performed using GridSearchCV with 0-fold cross-validation. In this process, a parameter grid was evaluated, considering the maximum depth of the decision trees (max_depth: 0, 0, 0), learning rate (learning_rate: 0.00, 0.0, 0.0), and number of trees (n_estimators: 00, 000, 000). Based on experimental results, the optimal parameters for the model were determined to be learning_rate=0.0, max_depth=0, and n_estimators=000, and the final model was trained using these hyperparameters.