グリッドサーチ最適化モデルのパラメータを使用します

1.シンプルなグリッド検索方法

異なるパラメータの数を調整するために投げ縄アルゴリズム

#############################グリッドサーチ最適化モデルのパラメータを使用して############## ######################### 
＃インポート投げ縄回帰モデル
sklearn.linear_modelインポート投げ縄から
設定＃インポート分割ツールデータ
sklearn.model_selectionインポートtrain_test_splitから
セット＃インポートワインデータ
sklearn.datasetsからはload_wineインポート
セット＃1のデータのロードをワイン
ワインload_wine =（） 
＃差分データセットを設定し、トレーニングセットとテストに分割され
X_train、X_test、y_train、y_test = train_test_split（wine.data、wine.target = 38はrandom_state）が
初期スコア0に設定＃
BEST_SCORE = 0 
0.01、0.1を横断＃セットパラメータアルファ
：[0.01,0.1,1.0,10.0]でアルファため
    、反復＃トラバーサル100,1000,5000最大数10000 
    [100,1000,5000,10000]でmax_iter用：
        投げ縄=（アルファ=アルファ、max_iter = max_iter）投げ縄
        ＃投げ縄回帰モデルのトレーニング
        lasso.fit（X_train、y_train）
        スコア= lasso.scoreは（。X_testは、android.permission.FACTOR） 
        ＃は、最高値のすべてのスコアの最高のスコアを作る
        スコア> BEST_SCORE IF：
            BEST_SCORE =スコア
            ＃辞書の定義、パラメータおよび最高の最高の最大値を返します。反復回数
            best_parameters = {「α」：アルファ 、「 反復の最大数」：max_iter} 

＃印刷結果
プリント（「モデル最大スコア：{}：3F」フォーマット（BEST_SCORE））
プリント（」最適なパラメータ設定： {}」形式（best_parameters） ）

モデル最大スコア：0.889 
最適なパラメータセット：{「α」：0.01、 「 反復の最大数」100}

＃差分データセットを設定し、トレーニングセットとテストに分割され
X_train、X_test、y_train、android.permission.FACTOR = Train_test_split（wine.data、wine.target、random_state = 0） 
＃初期スコアとして設定する0 
BEST_SCORE = 0 
＃セットパラメータアルファ0.01、0.1トラバーサル、1、10 
アルファのための[0.01,0.1,1.0,10.0]で：
    100,1000,5000,10000を横断する反復＃最大数
    [100,1000,5000,10000]でmax_iterため：
        投げ縄投げ縄=（アルファ=アルファ、 = max_iter max_iter） 
        ＃トレーニング投げ縄回帰モデル
        lasso.fit（X_train、y_train）
        スコア= lasso.score（X_test、android.permission.FACTOR）。 
        ＃すべての最高スコアの最高得点作る
        IFスコア> BEST_SCOREを：
            BEST_SCOREは=得点
            ＃定義辞書は、最適なパラメータ及び反復の最適の最大数を返し
            {：アルファ「α」best_parameters = 、「 反復の最大数」：max_iter} 

＃印刷結果を
印刷（ 'モデル最大スコア：{}：3F'フォーマット（BEST_SCORE）。） 
、印刷（ '最適なパラメータセット：{}'形式（best_parameters ））

モデル最大スコア：0.830 
最適なパラメータセット：{「α」：0.1、 「 反復の最大数」100}

2.クロスバリデーションバインドグリッドサーチ

＃インポートnumpyの
インポートnumpyのNP AS 
導入＃クロスバリデーションツール
sklearn.model_selectionインポートcross_val_scoreから
0.01、0.1を横断＃アルファパラメータセット
[0.01,0.1,1.0,10.0]でアルファのために：
    最大反復回数トラバース＃100、 1000,5000,10000 
    [100,1000,5000,10000]でmax_iterため：
        （アルファ=アルファ、max_iter = max_iter）=投げ縄投げ縄
        ＃トレーニング投げ縄回帰モデル
        lasso.fit（X_train、y_train）
        投げ縄（スコア= cross_val_score、 。X_train、y_train、CV = 6）
        スコア= np.mean（スコア）
        スコアが> BEST_SCORE IF：
            BEST_SCORE =スコア
            ＃辞書の定義は、最適なパラメータと反復の最適最大数を返し
            best_parameters = { 'α'：アルファ 、「 最大反復回：max_iter} 

＃の印刷結果
印刷（ 'モデル最大スコア：{}：3F'フォーマット（BEST_SCORE）。） 
、印刷（ '最適なパラメータセット：{}'形式（best_parameters ））

モデル最大スコア：0.865 
最適なパラメータセット：{「α」：0.01、 「 反復の最大数」100}

＃モデルは、最適なパラメータを使用してデータをフィット
ラッソ=ラッソ（アルファ= 0.01、max_iter = 100）.fit（X_train、y_train）
テストスコアデータセット＃印刷
プリント（「テストスコアデータセット：{：3F}」形式（lasso.score（X_test、y_test）） ）

テストデータセットのスコア：0.819

＃案内グリッド検索ツール
sklearn.model_selectionインポートGridSearchCVのから
＃辞書横断するのに必要なパラメータを定義する
[：のparams = { 'α' 0.01,0.1,1.0,10.0]、 'max_iterを'：[100,1000,5000,10000 ]} 
サーチグリッドで使用されるモデル＃定義およびパラメータ
grid_search = GridSearchCV（ラッソ、paramsは、CV =を。6、IID =偽）
＃モデルは、グリッドサーチを使用してデータをフィット
grid_search.fit（X_train、y_train） 
＃印刷結果
を印刷します（ 'モデルは、最も高いスコア：{}：3F'フォーマット（grid_search.score（X_test、android.permission.FACTOR））。。）
プリント（ 'ほとんどのパラメータ：{}'形式（grid_search.best_params_ ））

モデル最高スコア：0.819 
ほとんどのパラメータ：{ 'α'：0.01、 'max_iter'：100}

プロパティグリッド検索best_score_＃プリント
プリント（ 'クロスバリデーション最高スコア：{：3F}'形式（ grid_search.best_score_））。

クロスバリデーション最高のスコア：0.865

要約：

方法自体はGridSearchCVグリッド一緒にパッケージ検索およびクロスバリデーションです。
けれどもGridSearchCVは非常に強力な機能ですが、原因を繰り返しモデリングする必要があるため、計算時間が長くなるために必要。

「素人の言語Pythonの機械学習」：記事から引用

グリッドサーチ最適化モデルのパラメータを使用します

1.シンプルなグリッド検索方法

2.クロスバリデーションバインドグリッドサーチ

おすすめ