sklearn svm 调参_用 Grid Search 对 SVM 进行调参

上一次用了验证曲线来找最优超参数。

今天来看看网格搜索(grid search)，也是一种常用的找最优超参数的算法。

网格搜索实际上就是暴力搜索：

首先为想要调参的参数设定一组候选值，然后网格搜索会穷举各种参数组合，根据设定的评分机制找到最好的那一组设置。

以支持向量机分类器 SVC 为例，用 GridSearchCV 进行调参：

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.model_selection import GridSearchCV

from sklearn.metrics import classification_report

from sklearn.svm import SVC

1. 导入数据集，分成 train 和 test 集：

digits = datasets.load_digits()

n_samples = len(digits.images)

X = digits.images.reshape((n_samples, -1))

y = digits.target

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size=0.5, random_state=0)

2. 备选的参数搭配有下面两组，并分别设定一定的候选值：

例如我们用下面两个 grids：

kernel＝'rbf