sklearn同模型调参（可视化不同参数下交叉验证得分）

在SVM不同的惩罚参数C下的模型准确率。

import matplotlib.pyplot as plt  
from sklearn.model_selection import cross_val_score  
import numpy as np  
from sklearn import datasets, svm  
digits = datasets.load_digits()  
x = digits.data  
y = digits.target  
vsc = svm.SVC(kernel='linear')  

if __name__=='__main__':  
    c_S = np.logspace(-10, 0, 10)#在范围内取是个对数  
    # print ("length", len(c_S))  
    scores = list()  
    scores_std = list()  
    for c in c_S:  
        vsc.C = c  
        this_scores = cross_val_score(vsc, x, y, n_jobs=4)#多线程 n_jobs，默认三次交叉验证  
        scores.append(np.mean(this_scores))  
        scores_std.append(np.std(this_scores))  
    plt.figure(1, figsize=(4, 3))#绘图  
    plt.clf()  
    plt.semilogx(c_S, scores)#划线  
    plt.semilogx(c_S, np.array(scores)+np.array(scores_std), 'b--')  
    plt.semilogx(c_S, np.array(scores)-np.array(scores_std), 'b--')  
    locs, labels = plt.yticks()  
    plt.yticks(locs, list(map(lambda X: "%g" % X, locs)))#阶段点  
    plt.ylabel('CV score')  
    plt.xlabel('parameter C')  
    plt.ylim(0, 1.1)#范围  
    plt.show()  

效果：