GridSearchCV的用法

在机器学习中一些模型不同超参的训练效果差别会很大，对此，除了无脑遍历之外，sklearn提供了GridSearch帮助我们选择训练效果最优的参数。
在此，仅记录一下GridSearchCV的使用方法：
这里以选择决策树参数为例

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import GridSearchCV
regressor = DecisionTreeRegressor()
params = {'max_depth':[1,2,3,4,5,6,7,8,9,10]} #参数可以同时设置多个，但不建议设置太多，组合过多很使计算复杂度陡增而让你等很久，很久
performance_metric = r2_score(y_true, y_predict)
scoring_fnc = make_scorer(performance_metric)
grid = GridSearchCV(estimator=regressor, param_grid=params, scoring=scoring_fnc, cv=cross_validator)

# 基于输入数据 [X,y]，进行网格搜索
grid = grid.fit(X, y)
print("best param" + str(grid.best_params_))
print("best score" + str(grid.best_score_))
# 返回网格搜索后的最优模型
best_estimator = grid.best_estimator_ 

经GridSearchCV计算返回的grid对象既可以fit()，也可以返回最佳参数以及它的得分，grid.best_estimator_还可以返回最佳模型，非常适合我这种不愿敲代码的懒人