达观杯-文本智能处理挑战赛-06-优快云博客

本文链接：https://blog.youkuaiyun.com/zhengdadalalala/article/details/89321908

本文详细介绍了使用网格搜索法对LR、SVM和LightGBM三个模型进行参数调优的过程，采用五折交叉验证，展示了各模型的F1得分。同时，通过Stacking融合方式，以评分最高的模型为基准，与其他模型进行融合，得到最终模型及其评分结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

任务：

【Task4 模型优化】：（2天）
1）进一步通过网格搜索法对3个模型进行调优（用5000条数据，调参时采用五折交叉验证的方式），并进行模型评估，展示代码的运行结果。(可以尝试使用其他模型)
2）模型融合，模型融合方式任意，并结合之前的任务给出你的最优结果。
例如Stacking融合，用你目前评分最高的模型作为基准模型，和其他模型进行stacking融合，得到最终模型及评分结果。
模型结果：

模型选择	参数	F1得分
LR	C = 120, dual = True	0.695
SVM	C=5, dual=False	0.698
LightGBM	learning_rate=0.1, n_estimators=50, num_leaves=20	0.708

主要代码部分：

stack_model = [svm,lr,lgb] 
for i,model in enumerate(stack_model):
    for j, (train_fold, validate) in enumerate(kf):
                X_train, X_validate, label_train, label_validate = \
                    train_data[train_fold, :], train_data[validate, :], train_label[train_fold], train_label[validate]
                
                model.fit(X_train,label_train)
                train_stack[validate,i] = model.predict(X_validate)
                test_stack[:,i] = model.predict(test_data)
final_model  = xgb()
final_model.fit(train_stack,train_label)
 
pre = final_model.predict(test_stack) 


lgb_grid =lgb.sklearn.LGBMClassifier(num_leaves=30)
param_grid = {
    'learning_rate': [0.01, 0.05, 0.1, 0.5],
    'n_estimators': [20, 30, 40, 50]
}
re_model = GridSearchCV(lgb_grid, param_grid)
re_model.fit(X_train, y_train)