关于sklearn调参（曲线调参）

1.通过学习曲线调参

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import GridSearchCV, cross_val_score
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

def Rfc():
    data = load_breast_cancer()
    scorel = []

    for i in range(0, 200, 10):
        rfc = RandomForestClassifier(n_estimators=i+1,
                                     n_jobs=-1,
                                     random_state=10)
        score = cross_val_score(rfc, data.data, data.target, cv=10).mean()
        scorel.append(score)

    print(max(scorel), (scorel.index(max(scorel))*10)+1)

    plt.figure(figsize=[20, 5])
    plt.plot(range(0, 200, 10), scorel)
    plt.show()


def Rfc_1():
    data = load_breast_cancer()
    scorel = []

    for i in range(65, 75):
        rfc = RandomForestClassifier(n_estimators=i,
                                     n_jobs=-1,
                                     random_state=10)
        score = cross_val_score(rfc, data.data, data.target, cv=10).mean()
        scorel.append(score)

    print(max(scorel), [*range(65, 75)][(scorel.index(max(scorel)))])

    # plt.figure(figsize=[20, 5])
    # plt.plot(range(0, 200, 10), scorel)
    # plt.show()




if __name__ == "__main__":
    Rfc()
    Rfc_1()

上述代码的意思时，先用200颗树训练随机森林，训练完成后打印一下训练20次的分数并存放到列表中，画一个学习曲线图，发现在训练到71棵树时，平均分值最高。

那么我们再进行细化，原来是每次训练增加十颗，我们在将范围缩小后，确定范围在65-75每增加一棵树训练一次，这样最终确定在第69棵树的时候分支达到最高。