机器学习 10 交叉验证，网格搜索案例优化

最新推荐文章于 2025-02-18 20:40:28 发布

原创

最新推荐文章于 2025-02-18 20:40:28 发布 · 810 阅读

2 ·

CC 4.0 BY-SA版权

本文介绍了交叉验证的概念，通过将数据分为训练集和验证集，进行多次验证来提高模型评估的准确性。同时，文章探讨了如何使用网格搜索进行参数调优，重点讲解了`sklearn.model_selection.GridSearchCV`的使用方法，包括其参数设置和如何获取最佳模型及性能指标。最后，提供了一个优化案例来进一步说明交叉验证和网格搜索的实际应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

什么是交叉验证？
交叉验证：将拿到的训练数据，分为训练和验证集。以下图为例：将数据分成4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。
如图：在这里插入图片描述
为什么需要交叉验证
为了让被评估的模型更加准确可信
怎么做到交叉验证
使用网格搜索
API：
sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
对估计器的指定参数值进行详尽搜索
estimator：估计器对象
param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
cv：指定几折交叉验证
fit：输入训练数据
score：准确率
结果分析：
bestscore__:在交叉验证中验证的最好结果
bestestimator：最好的参数模型
cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果
优化案例：

# 1、获取数据集
iris = load_iris()
# 2、数据基本处理 -- 划分数据集
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)
# 3、特征工程：标准化
# 实例化一个转换器类
transfer = StandardScaler()
# 调用fit_transform
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4、KNN预估器流程
#