# LR
lr_param = {
'C': [0.05, 0.1, 0.5, 1],
'penalty': ['l1', 'l2'],
}
lr_grid = GridSearchCV(lr, lr_param, cv=n_fold, scoring=scoring, n_jobs=-1)
lr_grid.fit(X_train_std, y_train)
print(lr_grid.best_score_) # 最优分数
print(lr_grid.best_params_) # 最优参数
print(lr_grid.cv_results_) # 结果
# 把参数重新赋值给原模型
lr.set_params(**lr_grid.best_params_)
lr.fit(X_train_std, y_train)
# 线性SVC 如果一次性设置的参数太多,可能会跑很长时间,这个时候,建议使用贪心的方法,在某个参数调到最优的时候再调另一个参数
linear_svc_param = {
# 'kernel': ['linear', 'poly']
'C': [0.5, 1, 5],
# 'degree': [2, 3]
}
linear_svc_grid = GridSearchCV(linear_svc, linear_svc_param, cv=n_fold, scoring=scoring, n_jobs=-1)
linear_svc_grid.fit(X_train_std, y_trai
数据挖掘项目--调参
最新推荐文章于 2022-11-04 11:03:50 发布