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_)