Python-sklearn包中自动调参方法-网格搜索GridSearchCV

本文介绍了Python机器学习库sklearn中的GridSearchCV,它用于自动调参,节省人工调参的时间。文章详细解释了GridSearchCV的主要参数,如estimator、param_grid、scoring和cv等,并提供了GridSearchCV的方法和属性,如fit、score、grid_scores_、best_params_和best_score_。此外,还通过Kaggle Titanic生存率预测项目的例子展示了GridSearchCV的使用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

sklearn包中自动调参方法-网格搜索GridSearchCV

一、GridSearchCV主要作用及函数参数
GridSearchCV:作用是在指定的范围内可以自动调参,只需将参数输入即可得到最优化的结果和参数。相对于人工调参更省时省力,相对于for循环方法更简洁灵活,不易出错。

from sklearn.model_selection import GridSearchCV
class sklearn.model_selection.GridSearchCV(
estimator, param_grid, scoring=None, fit_params=None, 
n_jobs=1, iid=True, refit=True, cv=None
下面是一个使用GridSearchCV调参的MLPRegressor算法的Python实现: ```python from sklearn.neural_network import MLPRegressor from sklearn.model_selection import GridSearchCV from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error import pandas as pd # 读取数据 data = pd.read_csv('data.csv') # 划分数据集测试集 X_train, X_test, y_train, y_test = train_test_split(data.iloc[:, :-1], data.iloc[:, -1], test_size=0.2, random_state=42) # 设置数范围 param_grid = {'hidden_layer_sizes': [(50, 50, 50), (50, 100, 50), (100,)], 'activation': ['tanh', 'relu'], 'solver': ['sgd', 'adam'], 'alpha': [0.0001, 0.05], 'learning_rate': ['constant', 'adaptive']} # 构建模型 mlp = MLPRegressor(random_state=42) # 使用GridSearchCV进行数调优 grid_search = GridSearchCV(mlp, param_grid=param_grid, cv=5, scoring='neg_mean_squared_error') grid_search.fit(X_train, y_train) # 输出最优数 print("Best parameters:{}".format(grid_search.best_params_)) # 使用最优数构建模型 mlp = MLPRegressor(hidden_layer_sizes=grid_search.best_params_['hidden_layer_sizes'], activation=grid_search.best_params_['activation'], solver=grid_search.best_params_['solver'], alpha=grid_search.best_params_['alpha'], learning_rate=grid_search.best_params_['learning_rate'], random_state=42) # 训练模型 mlp.fit(X_train, y_train) # 预测模型 y_pred = mlp.predict(X_test) # 输出结果 print("RMSE: {}".format(np.sqrt(mean_squared_error(y_test, y_pred)))) ``` 在上述代码中,首先我们读取了数据并将其划分为训练集测试集。然后,我们设置了需要调优的数范围,并且使用GridSearchCV进行数调优。在调优过程中,我们使用了5折交叉验证,并使用均方误差作为评估指标。最后,我们使用最优数构建模型,并训练预测模型。最终,输出了均方根误差作为评估结果。 需要注意的是,这里的数据集需要自行准备。同时,该代码只是一个示例,实际使用时可能需要根据数据集的情况进行适当的调整。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值