网格搜素算法的使用

GridSearchCV网格搜索算法，

经常用于调优模型参数，遍历多个模型参数，带入模型，进行训练，从中找出评分最高的模型。

GridSearchCV（参数1，参数2，参数3，参数4=none）

参数1：模型算法  　　参数2：需要调优的参数   参数3：评分标准   参数4：k折交叉验证法，默认为空

GridSearchCV的方法：

grid.best_estimator_   返回最优模型

grid.best_estimator_ 返回不同参数情况下的评价结果

grid.best_params_ 返回 最佳参数

grid.best_score_  返回 最高的评分

from sklearn.metrics import make_scorer
from sklearn.svm import SVC
from sklearn.metrics import fbeta_score
from sklearn.model_selection import GridSearchCV,KFold

# TODO：初始化分类器
clf =SVC()
#创建交叉验证生成器
cross_validator=KFold(10)
# TODO：创建你希望调节的参数列表
parameters ={'kernel':('linear', 'rbf'), 'C':[1, 10]}
# TODO：创建一个fbeta_score打分对象
scorer = make_scorer(fbeta_score, beta=0.5)

# TODO：在分类器上使用网格搜索，使用'scorer'作为评价函数
grid_obj =GridSearchCV(clf,parameters,scorer,cv=cross_validator)

# # TODO：用训练数据拟合网格搜索对象并找到最佳参数
grid_boj=grid_obj.fit(X_train, y_train)
# # 得到最佳模型
best_clf = grid_obj.best_estimator
##进行预测
best_predictions = best_clf.predict(X_val)

 

转载于:https://www.cnblogs.com/HL-blog/p/8883478.html