gridsearchcv参数_百闻不如一练：可视化调试模型超参数

以下使用scikit-learn中数据集进行分享。

如果选用随机森林作为最终的模型，那么找出它的最佳参数可能有1000多种组合的可能，你可以使用使用穷尽的网格搜索(Exhaustive Grid Seaarch)方法，但时间成本将会很高(运行很久...)，或者使用随机搜索(Randomized Search)方法，仅分析超参数集合中的子集合。

该例子以手写数据集为例，使用支持向量机的方法对数据进行建模，然后调用scikit-learn中validation_surve方法将模型交叉验证的结果进行可视化。需要注意的是，在使用validation_curve方法时，只能验证一个超参数与模型训练集和验证集得分的关系(即二维的可视化)，而不能实现多参数与得分间关系的可视化。以下搜索的参数是gamma，需要给定参数范围，用param_range进行传递，评分策略用scoring参数进行传递。其代码示例如下所示：

print(__doc__)​import matplotlib.pyplot as pltimport numpy as np​from sklearn.datasets import load_digitsfrom sklearn.svm import SVCfrom sklearn.model_selection import validation_curve​X, y = load_digits(return_X_y=True)​param_range = np.logspace(-6, -1, 5)train_scores, test_scores = validation_curve(    SVC(), X, y, param_name="gamma", param_range=param_range,    scoring="accuracy", n_jobs=1)train_scores_mean = np.mean(train_scores, axis=1)train_scores_std = np.std(train_scores, axis=1)test_scores_mean = np.mean(test_scores, axis=1)test_scores_std = np.std(test_scores, axis=1)​plt.title("Validation Curve with SVM")plt.xlabel(r"$gamma$")plt.ylabel("Score")plt.ylim(0.0, 1.1)lw = 2plt.semilogx(param_range, train_scores_m