这篇博客探讨了超参数的概念，以KNN为例解释了超参数的重要性，如K值和距离计算方式。并介绍了如何利用sklearn的GridSearchCV进行网格搜索，通过列举并迭代超参数来寻找最佳配置，提升机器学习模型的性能。
本篇博客将谈谈超参数和网格搜索（如何使用sklearn中的网格搜索）
1超参数
我理解的超参数就是算法中的参数和一些需要我们自己设定的数。以KNN为例，KNN的超参数包括①K的取值②距离计算（采用欧式距离或明科夫斯基距离等）等。
能找个最好的超参数，可以让我们的算法性能更高。说道找出最好的参数那就不得不提到网格搜索了。
2 网格搜索
使用sklearn中的网格搜索能更方便地帮助我们找出最好的超参数。
思路：
- 列出各种超参数
- 迭代找出最好的超参数
下面结合代码实战下。
#导入网格搜索
from sklearn.model_selection import GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets
iris = datasets
最低0.47元/天 解锁文章
扫一扫
1607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
