【算法_调参】sklearn_GridSearchCV,CV调节超参使用方法

GridSearchCV 简介：

GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。这个时候就是需要动脑筋了。数据量比较大的时候可以使用一个快速调优的方法——坐标下降。它其实是一种贪心算法：拿当前对模型影响最大的参数调优，直到最优化；再拿下一个影响最大的参数调优，如此下去，直到所有的参数调整完毕。这个方法的缺点就是可能会调到局部最优而不是全局最优，但是省时间省力，巨大的优势面前，还是试一试吧，后续可以再拿bagging再优化。回到sklearn里面的GridSearchCV，GridSearchCV用于系统地遍历多种参数组合，通过交叉验证确定最佳效果参数。

GridSearchCV官方网址：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html

常用参数解读：

estimator ：所使用的分类器，如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt',random_state=10), 并且传入除需要确定最佳的参数之外的其他参数。每一个分类器都需要一个scoring参数，或者score方法。
param_grid ：值为字典或者列表，即需要最优化的参数的取值，param_grid =param_test1，param_test1 = {'n_estimators':range(10,71,10)}。
scoring : 准确度评价标准，默认None,这时需要使用score函数；或者如scoring='roc_auc'，根据所选模型不同，评价准则不同。字符串（函数名），或是可调用对象，需要其函数签名形如：scorer(estimator, X, y)；如果是None，则使用estimator的误差估计函数。scoring参数选择如下：

参考地址：http://scikit-learn.org/stable/modules/model_evaluation.html

cv :交叉验证参数，默认None，使用三折交叉验证。指定fold数量，默认为3，也可以是yield训练/测试数据的生成器。
refit :默认为True,程序将会以交叉验证训练集得到的最佳参数，重新对所有可用的训练集与开发集进行，作为最终用于性能评估的最佳模型参数。即在搜索参数结束后，用最佳参数结果再次fit一遍全部数据集。
iid:默认True,为True时，默认为各个样本fold概率分布一致，误差估计为所有样本之和，而非各个fold的平均。
verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出。
n_jobs: 并行数，int：个数,-1：跟CPU核数一致, 1:默认值。
pre_dispatch：指定总共分发的并行任务数。当n_jobs大于1时，数据将在每个运行点进行复制，这可能导致OOM，而设置pre_dispatch参数，则可以预先划分总共的job数量，使数据最多被复制pre_dispatch次

常用方法：

grid.fit()：运行网格搜索
grid_scores_：给出不同参数情况下的评价结果
best_params_：描述了已取得最佳结果的参数的组合
best_score_：成员提供优化过程期间观察到的最好的评分

使用gbm的不通用例子：

[python]  view plain  copy

1. #-*- coding:utf-8 -*-  
2. import numpy as np  
3. import pandas as pd  
4. import scipy as sp  
5. import copy,os,sys,psutil  
6. import lightgbm as lgb  
7. from lightgbm.sklearn import LGBMRegressor  
8. from sklearn.model_selection import GridSearchCV  
9. from sklearn.datasets import dump_svmlight_file  
10. from svmutil import svm_read_problem  
11.   
12. from sklearn import  metrics   #Additional scklearn functions  
13. from sklearn.grid_search import GridSearchCV   #Perforing grid search  
14.   
15. from featureProject.ly_features import make_train_set  
16. from featureProject.my_import import split_data  
17. # from featureProject.features import TencentReport  
18. from featureProject.my_import import feature_importance2file  
19.   
20.   
21. def print_best_score(gsearch,param_test):  
22.      # 输出best score  
23.     print("Best score: %0.3f" % gsearch.best_score_)  
24.     print("Best parameters set:")  
25.     # 输出最佳的分类器到底使用了怎样的参数  
26.     best_parameters = gsearch.best_estimator_.get_params()  
27.     for param_name in sorted(param_test.keys()):  
28.         print("\t%s: %r" % (param_name, best_parameters[param_name]))  
29.   
30. def lightGBM_CV():  
31.     print ('获取内存占用率： '+(str)(psutil.virtual_memory().percent)+'%')  
32.     data, labels = make_train_set(24000000,25000000)  
33.     values = data.values;  
34.     param_test = {  
35.         'max_depth': range(5,15,2),  
36.         'num_leaves': range(10,40,5),  
37.     }  
38.     estimator = LGBMRegressor(  
39.         num_leaves = 50, # cv调节50是最优值  
40.         max_depth = 13,  
41.         learning_rate =0.1,   
42.         n_estimators = 1000,   
43.         objective = 'regression',   
44.         min_child_weight = 1,   
45.         subsample = 0.8,  
46.         colsample_bytree=0.8,  
47.         nthread = 7,  
48.     )  
49.     gsearch = GridSearchCV( estimator , param_grid = param_test, scoring='roc_auc', cv=5 )  
50.     gsearch.fit( values, labels )  
51.     gsearch.grid_scores_, gsearch.best_params_, gsearch.best_score_  
52.     print_best_score(gsearch,param_test)  
53.   
54.   
55. if __name__ == '__main__':  
56.     lightGBM_CV()