机器学习：模型调参

最新推荐文章于 2025-07-23 09:59:13 发布

c.x.y.07.30

最新推荐文章于 2025-07-23 09:59:13 发布

阅读量685

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/MARY197011111/article/details/90207127

机器学习专栏收录该内容

17 篇文章

订阅专栏

本文探讨了机器学习中模型调参的两种常见方法：网格调参和随机搜索。网格调参通过穷举参数组合来寻找最佳设置，而随机搜索则以概率方式选择参数，节省计算资源。这两种技术对于提升模型性能至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、网格调参

from sklearn.model_selection import GridSearchCV
parameters = [{'a1':['a','b'],'a2':['a','b']}]
clf = GridSearchCV(model,param_distributions,scoring = ['accuracy','f1'],cv) #评分函数
clf.fit(X_train,y_train)

二、随机搜索

from sklearn.model_selection import RandomizedSearchCV
import scipy
parameters = {'C':scipy.stats.expon(scale=100),  # 分布类
              'multi_class':['ovr','multinomial']}
clf = RandomizedSearchCV(model,param_distributions=parameters,cv,
                         scoring="accuracy",n_iter=100)
#n_iter是每个参数采样的数量，值越大，参数优化效果越好