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。

 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
学习曲线是指在机器学习模型中,通过改变模型的超数来寻找最佳的数组合,以达到最好的性能。Python中有多种方法可以进行学习曲线的绘制和分析。 一种常用的方法是使用GridSearchCV或RandomizedSearchCV进行网格搜索或随机搜索。这些方法可以自动遍历给定的超数组合,并通过交叉验证来评估每个组合的性能。然后,可以绘制学习曲线来可视化不同超数值对模型性能的影响。 另一种方法是使用可视化库如matplotlib或seaborn来绘制学习曲线。学习曲线通常以超数值为横坐标,性能指标(如准确率、F1分数等)为纵坐标。通过绘制不同超数值下的性能曲线,可以找到最佳的超数组合。 以下是一个示例代码,展示了如何使用GridSearchCV和matplotlib来绘制学习曲线: ```python from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC import matplotlib.pyplot as plt # 定义超数范围 param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [0.1, 0.01, 0.001, 0.0001]} # 创建SVC模型 model = SVC() # 创建GridSearchCV对象 grid_search = GridSearchCV(model, param_grid, cv=5) # 拟合数据 grid_search.fit(X, y) # 获取不同超数组合下的性能指标 results = grid_search.cv_results_ mean_scores = results['mean_test_score'] # 绘制学习曲线 plt.figure(figsize=(10, 6)) plt.plot(range(len(mean_scores)), mean_scores) plt.xticks(range(len(mean_scores)), param_grid['C']) plt.xlabel('C') plt.ylabel('Mean Test Score') plt.title('Learning Curve') plt.show() ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值