グリッド検索機械学習アルゴリズムのパラメータは、達成するために：
//2019.08.03
1、メソッドのscikitlearnライブラリコールグリッド検索：グリッド検索、より統一された方法は、標準的なアルゴリズムのその批判は複雑で、それは簡単な検索し、ある複合クロスだけで正確に、道を批判率。（三つのパラメータは、一般的に使用されると、超KNN例としてのアルゴリズム）は、以下のように特定の実装である
の機械学習アルゴリズムパラメータへの最善の方法を超えるグリッドサーチにgridsearch位利用scikitlearn
＃1-1辞書を使用する最初の方法を異なるパラメータの組み合わせスーパーKNNアルゴリズム定義
param_grid = [{
"重み"：[ "均一"]、
"N_NEIGHBORS"：[IのためのI範囲（1,11）]
}、
{ "重み"：[ "距離"]、
" N_NEIGHBORS "：[IのためのI範囲（1,11）]、
" P「：[I用Iの範囲内の（1,6）]
}
最初]＃、機械学習アルゴリズムの超パラメータの異なる組み合わせを定義します、辞書モードを使用して、2つのパラメータは、特定のスーパーリストデータ構造のために用いられる
機械学習アルゴリズムのパラメータを調整する必要性の定義に続く＃1-2
）（knn_clf = KNeighborsClassifierを
＃1-3グリッド検索機能はGridSearchCVのscikitlearnに導入され、そしてそれぞれのグリッドサーチモード（初期入力パラメータを定義する：全て-1で表される機械学習アルゴリズム、超2リストのパラメータの組み合わせ、3n_jobs（並行して選択されたコアの数を、 ）、4verbose = 2は、それぞれの検索処理の出力を表す）
sklearn.model_selectionインポートGridSearchCVから
grid_search = GridSearchCV（knn_clf、param_grid、n_jobs = -1、冗長= 2）
訓練データセットグリッド検索処理使用＃1-4
grid_search.fitを（x_train、y_train）
＃1-5パラメーター結果と最適パラメータのグリッドサーチのHu最適な組み合わせ再生時出力精度を対応する
プリント（grid_searchを。best_estimator_）
プリント（grid_search。best_params_）
プリント（grid_search。best_score_）
特定の実装コードと結果は以下の通りです。
