超参数之奇淫技巧--网格搜索（Grid Search）

最新推荐文章于 2024-07-04 15:38:21 发布

Mingw_

最新推荐文章于 2024-07-04 15:38:21 发布

阅读量745

点赞数 2

文章标签： python 机器学习数据分析

本文链接：https://blog.csdn.net/Mingw_/article/details/104665805

版权

本文介绍了网格搜索在机器学习中用于优化超参数的方法，以KNN算法为例展示了如何使用网格搜索来寻找最佳超参数，强调了这种方法相比手动调整或简单循环的优越性，并鼓励读者进行学习交流。

摘要由CSDN通过智能技术生成

网格搜索

【前言】在调试超参数时，我们往往为了得到一个较好的参数，使模型得到提升，不断的去输入超参数，运行程序，这样调试是锻炼我们排列组合的能力？貌似这样并不合理，当然肯定有人会说，用for循环寻找超参数不就可以了吗？emmmm,你已经进阶了，可是依然不能满足我们的需求。于是，“懒惰”让今天的主角–网格搜索诞生了。

【实践】接下来，到了我们最激动人心的代码部分了，我将以寻找KNN算法超参数为例，展示网格搜索的魅力！
什么？你不懂KNN算法，没关系，在此我们关注的只是超参数的查找。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

digits = datasets.load_digits()  #下载数据集
X = digits.data