17、模型评估、超参数调优与集成学习

模型评估、超参数调优与集成学习

1. 模型评估与超参数调优

在模型评估和超参数调优中，我们可以使用网格搜索来找到最优的超参数组合。以下是一个使用网格搜索的示例代码：

gs = GridSearchCV(estimator=pipe_svc,
                  param_grid=param_grid,
                  scoring=scorer,
                  cv=10)
gs = gs.fit(X_train, y_train)
print(gs.best_score_)
print(gs.best_params_)

上述代码中， GridSearchCV 用于在指定的参数网格中进行搜索，以找到最优的超参数组合。 best_score_ 输出最优的得分， best_params_ 输出最优的超参数组合。

2. 绘制 ROC 曲线

ROC（Receiver Operating Characteristic）曲线是一种用于评估分类模型性能的工具，它基于假阳性率（FPR）和真阳性率（TPR）来衡量模型的性能。以下是绘制 ROC 曲线的示例代码：

from sklearn.metrics import roc_curve, auc
from scipy import interp
pipe_lr = make_pipeline(S