机器学习中，knn算法后续对k值使用cross_val_score和GridSearchCV的区别

前言

本文就介绍了机器学习的基础内容knn算法的模型调优，图片来源《Python大战机器学习》。

---

一、cross_val_score(选出最优评分的模型)

代码实现如下

结果为：

二、GridSearchCV(暴力搜索选出最优参数)

代码实现如下：

结果：

总结

①cross_val_score ：用于获取每个交叉验证的得分，然后根据得分score来选择合适的超参数，通常需要编写手动完成交叉
②GridSearchCV ：除了能够完成自行交叉验证外，返回了最后的超参数及对应的最优模型，但是k值的选取是自己添加，需要有先验经验
③划分数据集是需要固定数据，比如随机数的种子有没有固定，如果没有固定随机数种子，可能导致每次拆分的训练集和测试集都不一样，即使相同的参数范围，训练出的模型指标一般都不一样。
④例如：在sklearn可以随机分割训练集和测试集（交叉验证），只需要在代码中引入model_selection.train_test_split就可以了：
x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)
这里的random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样。
当你用sklearn分割完测试集和训练集，确定模型和初始参数以后，你会发现程序每运行一次，都会得到不同的准确率，无法调参。这个时候就是因为没有加random_state。加上以后就可以调参了。