超级会员免费看
GridSearchCV是机器学习中用于参数调优的重要工具，通过交叉验证的方式寻找最佳参数组合。它适用于小数据集，但随着参数数量增加，计算复杂度呈指数增长。本文详细介绍了GridSearchCV的参数、属性和常用方法，并通过波士顿房价预测案例展示了其实现过程。
机器学习中GridSearchCV网格搜索的参数、方法
- 1、简介
- 2、参数
-
- （1）estimator: estimator object
- （2）param_grid: dict or list of dictionaries
- （3）scoring: str, callable, list, tuple or dict, default=None
- （4）n_jobs: int, default=None
- （5）refit: bool, str, or callable, default=True
- （6）cv: int, cross-validation generator or an iterable, default=None
- （7）verbose: int
- （8）pre_dispatch: int, or str, default=’2*n_jobs’
- （9）error_score: ‘raise’ or numeric, default=np.nan
- （10）return_train_score: bool, default=False
- 3、属性
-
- （1）cv_results_ : dict of numpy (masked) ndarrays
- （2）best_estimator_ : estimator
- （3）best_score_ : float
- （4）best_params_ : dict
- （5）best_index_ : int
- （6）scorer_ : function or a dict
- （7）n_splits_ : int
- （8）refit_time_: float
- （9）multimetric_: bool
- （10）feature_names_in_: ndarray of shape (n_features_in_ , )
- 4、进行预测的常用方法
- 5、代码实现（预测波士顿房价XGBRegressor）
1、简介
官网：GridSearchCV的sklearn官方网址
GridSearchCV的名字其实可以拆分为两部分，GridSearch和CV，即网格搜索和交叉验证。网格搜索，搜索的是参数，即在指定的参数范围内，按步长依次调整参数，利用调整的参数训练学习器，从所有的参数中找到在验证集上精度最高的参数，这其实是一个训练和比较的过程。
GridSearchCV可以保证在指定的参数范围内找到精度最高的参数，但是这也是网格搜索的缺陷所在，他要求遍历所有可能参数的组合，在面对大数据集和多参数的情况下，非常耗时。这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。网格搜索适用于三四个（或者更少）的超参数（当超参数的数量增长时，网格搜索的计算复杂度会呈现指数增长，这时候则使用随机搜索），用户列出一个较小的超参数值域，这些超参数至于的笛卡尔积（排列组合）为一组组超参数。网格搜索算法使用每组超参数
订阅专栏 解锁全文
扫一扫
395
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
