何为网格搜索:
网格搜索是一种调参手段,穷举搜索,在所有候选的参数中进行循环遍历,尝试每一种可能性,找到最好的那个参数。
何为交叉验证:
交叉验证的基本思想是把在某种意义下将原始数据进行分组,一部分做为训练集,另一部分做为验证集,首先用训练集对分类器进行训练,再利用验证集来测试训练得到的模型,以此来做为评价分类器的性能指标。
鸢尾花案例增加k值调优的思路为:
- 获取数据
- 划分数据集
- 标准化
- KNN算法预估器(加入网格搜索和交叉验证)
- 模型评估
代码如下:
def knn_iris_gscv():
#1.获取数据
iris = load_iris()
#2.划分数据集
x_train, x_test, y_train, y_test =
train_test_split(iris.data,iris.target,random_state=22)
#3.特征工程:标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
#4.KNN算法预估器
estimator = KNeighborsClassifier(n_neighbors=3)
#加入网格搜索和交叉验证
#参数准备
param_dict = {"n_neighbors":[1,3,5,7,9]}
estimator = GridSearchCV(estimator,param_grid=param_dict,cv=10)
estimator.fit(x_train, y_train)
#5.模型评估
#方法1 直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n",y_predict)
print("直接比对真实值和预测值:\n",y_test==y_predict)
#方法2 计算准确率
score = estimator.score(x_test,y_test)
print("准确率为:\n",score)
#最佳参数:best_params_
print("最佳参数:\n",estimator.best_params_)
#最佳结果:best_score_
print("最佳结果:\n",estimator.best_score_)
#最佳估计器:best_estimator
print("最佳估计器:\n",estimator.best_estimator_)
#交叉验证结果:cv_results_
print("交叉验证结果:\n",estimator.cv_results_)
return None
结果如下: