# -*- coding: utf-8 -*-
"""算法调参.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1kILamn8ac8vii9GUkiWowl8TIFwl2MCv
### 超参数优化
这是机器学习模型解决问题的最后一个步骤,并不是整个解决方案的最后一步。不会调参就不能说会机器学习。参数分为了两种:
- 影响模型在训练集上的准确度,防止模型过拟合的参数
- 与准确度和过拟合无关的参数
其中调参调的是第一类参数。
这里介绍两类算法:
- 网格搜索
- 随机搜索
#### 网格搜索
通过遍历已定义的参数列表,来评估算法的参数,从而找到最优参数。使用方法是`GridSearchCV`,实现对参数的跟踪,调整和评估,最终找到最优参数。**网格搜索适用于三四个超参数或者更少的情况,否则计算量会非常大,此时要转成随机搜索。**
"""
# 网格搜索代码
from pandas import read_csv
from sklearn.linear_model import Ridge
from sklearn.model_selection import GridSearchCV
# 导入数据
filename = 'http://ftp.ics.uci.edu/pub/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data'
names = ['preg','plas','pres','skin','test','mass',<
【机器学习】算法调参
最新推荐文章于 2024-07-18 15:30:34 发布
本文深入探讨机器学习中至关重要的算法调参过程,通过实际案例解析如何在Python环境中优化模型性能,提升预测准确率。
摘要由CSDN通过智能技术生成