使用 GridSearchCV 同时调整多个模型参数。

使用网格搜索同时调优多个模型

本文介绍了一种在同一网格搜索中调优多个模型的方法，无需创建多个管道。传统上，网格搜索用于调优模型的超参数，通过定义每个参数的尝试值并交叉验证所有可能的组合来找到最佳参数组合。可以通过将模型或管道传递给网格搜索来实现。本文在原有方法基础上，通过以下三个步骤实现了在同一网格搜索中调优多个模型：

1. 创建多个参数字典： 每个字典对应一个模型，包含该模型的超参数和预处理步骤的参数。 2. 在每个字典中指定模型： 使用模型对象而不是字符串来标识每个字典对应的模型。 3. 将所有字典放入一个列表： 将所有参数字典放入一个列表，以便网格搜索能够遍历所有模型的超参数组合。

具体代码示例：

1. 创建一个列转换器，作为管道的第一步。
2. 创建两个模型：逻辑回归模型和随机森林模型。
3. 创建一个两步管道，第一步为列转换器，第二步为逻辑回归模型（作为占位符）。
4. 为逻辑回归模型创建参数字典，包含预处理步骤的参数和模型的超参数。
5. 在参数字典中添加一个键值对，键为模型名称，值为模型对象，并将其放入列表中。
6. 为随机森林模型创建参数字典，包含预处理步骤的参数和模型的超参数。
7. 在参数字典中添加一个键值对，键为模型名称，值为模型对象，并将其放入列表中。

关键点：

• 在参数字典中使用模型对象而不是字符串来标识模型。
• 将所有参数字典放入一个列表，以便网格搜索能够遍历所有模型的超参数组合。

通过这种方法，可以在同一网格搜索中同时调优多个模型，简化了模型调优流程，提高了效率。

您可以使用同一个网格搜索调整 2 个或更多模型！ 方法如下：1. 创建多个参数字典2. 在每个字典中指定模型3. 将字典放到列表中� 每周二和周四都会有新的技巧！ 所有技巧的代码：https://github.com/justmarkham/scikit-learn-tips� 通过电子邮件获取技巧：https://scikit-learn.tips=== 想在机器学习方面更上一层楼吗？ ===1) 在我的入门课程中学习基础知识（免费！ ）：https://courses.dataschool.io/introduction-to-machine-learning-with-scikit-learn2) 在我的中级课程中建立您的机器学习信心：https://courses.dataschool.io/building-an-effective-machine-learning-workflow-with-scikit-learn3