利用sklearn在训练模型时进行参数调优的方法

最新推荐文章于 2023-03-03 17:47:02 发布

学不会coding的程序员

最新推荐文章于 2023-03-03 17:47:02 发布

阅读量3.4k

点赞数

文章标签：机器学习参数优化

本文链接：https://blog.csdn.net/weixin_40941966/article/details/81170397

版权

本文介绍了两种在机器学习中优化模型参数的方法：GridSearchCV和RandomizedSearchCV。GridSearchCV通过遍历所有参数组合进行交叉验证，而RandomizedSearchCV则采用随机抽样方式探索参数空间。详细参数列表及参考资料链接已给出。

摘要由CSDN通过智能技术生成

（一）GridSearchCV

网格搜索交叉验证，遍历所有可能参数的组合。CV表示cross validation。

sklearn.model_selection.GridSearchCV(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch=‘2*n_jobs’, error_score=’raise’, return_train_score=’warn’)

参数列表详见：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html

（二）RandomizedSearchCV

随即搜索交叉验证，在参数空间中以随机采样的方式进行参数的组合。

sklearn.grid_search.RandomizedSearchCV(estimator, param_distributions, n_iter=10, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispa