使用sklearn进行调参

竟整这些花里胡哨的，直接嵌套for完了。手动狗头。
官方文档

from sklearn.model_selection import GridSearchCV

关键参数

estimator：模型
param_grid：需要测试的参数，一个字典，字典中每个元素是超参数，示例：

param_grid= {'criterion':['gini'],'max_depth':[30,50,60,100],'min_samples_leaf':[2,3,5,10],'min_impurity_decrease':[0.1,0.2,0.5]}

注意：字典里面的值必须是李彪，即使单元素也要求是单元素列表！
也可以是一个列表，列表中每个元素是字典，会逐个字典去调参测试。
cv：k折交叉验证
scoring：评价标准，所有的评价标准参考：metrics
n_jos：几核cpu

关键属性

best_params_：最佳超参数
best_score_：最佳得分

关键方法

.fit(x_train,y_train)：训练

使用示例

clf = GradientBoostingClassifier()
grid = GridSearchCV(clf, params, cv=10, scoring="f1")
grid.fit(X, y)
print(grid.best_params_)