超级会员免费看
本文详细介绍了RandomizedSearchCV在机器学习中用于优化超参数的方法，对比网格搜索，随机搜索更快且效果更好。文章讲解了RandomizedSearchCV的主要参数、属性、使用方法，并通过波士顿房价预测案例进行实战演示。
机器学习中RandomizedSearchCV网格搜索的参数、方法
- 1、简介
- 2、参数
-
- （1）estimator: estimator object
- （2）param_distributions: dict or list of dicts
- （3） n_iter: int, default=10
- （4）scoring: str, callable, list, tuple or dict, default=None
- （5）n_jobs: int, default=None
- （6）refit: bool, str, or callable, default=True
- （7）cv: int, cross-validation generator or an iterable, default=None
- （8）verbose: int
- （9）pre_dispatch: int, or str, default=’2*n_jobs’
- （10）random_state: int, RandomState instance or None, default=None
- （11）error_score: ‘raise’ or numeric, default=np.nan
- （12）return_train_score: bool, default=False
- 3、属性
-
- （1）cv_results_ : dict of numpy (masked) ndarrays
- （2）best_estimator_ : estimator
- （3）best_score_ : float
- （4）best_params_ : dict
- （5）best_index_ : int
- （6）scorer_ : function or a dict
- （7）n_splits_ : int
- （8）refit_time_: float
- （9）multimetric_: bool
- （10）feature_names_in_: ndarray of shape (n_features_in_ , )
- 4、进行预测的常用方法
- 5、代码实现（预测波士顿房价XGBRegressor）
1、简介
官网：RandomizedSearchCV的sklearn官方网址
在搜索超参数的时候，如果超参数个数较少（三四个或者更少），那么我们可以采用网格搜索，一种穷尽式的搜索方法。但是当超参数个数比较多的时候，我们仍然采用网格搜索，那么搜索所需时间将会指数级上升。
所以有人就提出了随机搜索的方法，随机在超参数空间中搜索几十几百个点，其中就有可能有比较小的值。这种做法比上面稀疏化网格的做法快，而且实验证明，随机搜索法结果比稀疏网格法稍好。
RandomizedSearchCV使用方法和GridSearchCV 很相似，但他不是尝试所有可能的组合，而是通过选择每一个超参数的一个随机值的特定数量的随机组合，这个方法有两个优点：
（1）如果你让随机搜索运行， 比如1000次，它会探索每个超参数的1000个不同的值（而不是像网格搜索那样，只搜索每个超参数的几个值）
订阅专栏 解锁全文
扫一扫
1150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
