sklearn-GridSearchCV调节超参数

最新推荐文章于 2024-07-18 17:28:15 发布

码灵薯

最新推荐文章于 2024-07-18 17:28:15 发布

阅读量1.9k

点赞数 3

分类专栏： sklearn machine learning

本文链接：https://blog.csdn.net/geduo_feng/article/details/79544454

版权

本文介绍了如何利用sklearn库中的GridSearchCV进行超参数调节，以提高模型性能。GridSearchCV通过遍历指定参数组合，结合交叉验证来寻找最优参数。然而，当数据量大时，GridSearchCV的运行时间会显著增加。文章提到在大数据场景下可考虑其他加速方法，并给出了GridSearchCV的主要参数和功能，包括estimator、param_grid、scoring、cv等。同时，文章还展示了GridSearchCV的使用案例及常用属性，如best_params_和best_score_。

摘要由CSDN通过智能技术生成

sklearn-GridSearchCV调节超参数

同样的模型不同的参数下，模型的得分差距很大。sklearn中提供了参数调节函数：GridSearchCV。将待挑选的参数输入，可以自动的挑选最佳的参数和结果。

缺陷: 一旦模型的量级上去之后，将需要很长的时间函数才能运行完成。因为该函数执行一次所训练和测试的次数为：优化参数组合数*K（K折交叉验证）。当数据集很大时，多次反复训练模型将非常耗时。

对于数据集很大时可以参考这篇博客：一种将grid-search速度提升10倍的方法
关于交叉验证可以参考这篇博客：交叉验证

函数原型

class sklearn.model_selection.GridSearchCV(
                                        estimator, 
                                        param_grid, 
                                        scoring=None, 
                                        fit_params=None<