机器学习之GridSearchCV模型调参

最新推荐文章于 2025-06-29 07:30:00 发布

花花呼呼

最新推荐文章于 2025-06-29 07:30:00 发布

阅读量9k

点赞数

CC 4.0 BY-SA版权

分类专栏：数据分析与机器学习

本文链接：https://blog.youkuaiyun.com/lglfa/article/details/80652128

数据分析与机器学习专栏收录该内容

14 篇文章

订阅专栏

本文介绍如何使用GridSearchCV工具包自动选择机器学习模型的最优参数组合，包括具体代码示例及注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景

大部分机器学习模型都会有很多参数，不同的参数组合会产生不同的效果，如果模型数据量不是很大，也就是说运行时间不是很长，可以考虑使用GridSearchCV这个工具包自动选择输入参数中的最优组合。注意：在实际应用中，可能会遇到很大数据量，模型运行特别费计算资源和时间，这个时候用GridSearchCV可能会成本太高，需要对模型了解深入一点或者积累更多的实战经验，最后进行手动调参。

代码

本人在用GridSearchCV和XGB的时候遇到过一些技术问题，譬如pipeline与GridSearchCV的配合使用问题，直接贴代码：

# pipeline
XGB_pipeline = make_pipeline(SimpleImputer(), XGBRegressor())

# 要调参数
para_grid = {'xgbregressor__learning_rate': [0.01,0.1,0.5],'xgbregressor__n_estimators':[100,500,1000]}
grid = GridSearchCV(estimator=XGB_pipeline, param_grid = para_grid,cv=5)
grid.fit(X_train, y_train)

# 输出最佳参数组合
print (grid.best_params_)

输出：

{‘xgbregressor__learning_rate’: 0.01, ‘xgbregressor__n_estimators’: 1000}

注意：
1、要调参数为dict格式，参数名前需要加小写的XGBRegressor和双下划线也就是xgbregressor__
2、每次不要放太多参数，否则运行时间会很长，最好对所调参数有一定了解，甚至可以阅读相应已发表paper
3、GridSearchCV中的参数cv表示cross validation，cross validation对小数据量样本比适用，能充分利用所有的数据进行训练。相当于做了一次cross_val_score