2019/9/3 网格搜索遇到的问题及原因分析

最新推荐文章于 2022-12-09 16:21:34 发布

笔尾树鼩

最新推荐文章于 2022-12-09 16:21:34 发布

阅读量1.1k

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_42845036/article/details/100518569

版权

本文探讨了使用GridSearchCV进行参数调优时遇到的问题，即得到的最佳参数与实际最佳参数不符。问题源于GridSearchCV仅使用训练集进行搜索，而手动调参会考虑测试集的性能。因此，两种方法的最优解可能不一致。作者提出疑问，GridSearchCV的准确率计算方式，并指出理解其工作原理的重要性。

摘要由CSDN通过智能技术生成

GridSearchCV是用来调参的
但是某次发现他调节出来的参数并不是最佳参数。代码如下：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
%matplotlib inline

data = load_wine()
X_train,X_test,y_train,y_test = train_test_split(data['data'],data['target'],random_state = 0)

#以下是用GridSearchCV调参：
from sklearn.model_selection import GridSearchCV
knn = KNeighborsClassifier()
gsc = GridSearchCV(knn,param_grid={"n_neighbors":[i for i in range(1,22)]})
gsc.fit(X_train,y_train)
gsc.best_estimator_

结果为：

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=None, n_neighbors=1, p=2,
           weights='uniform')

最佳k值为1