09. 在 sklearn 中的网格搜索

在 sklearn 中的网格搜索

在 sklearn 中的网格搜索非常简单。 我们将用一个例子来说明一下。 假设我们想要训练支持向量机，并且我们想在以下参数之间做出决定：

  • kernel： poly 或 rbf 。
  • C：0.1,1 或 10。

（ 注： 这些参数对于你来说，现在可以简单了解一下，我们将在该纳米学位接下来的 监督学习部分 中详细了解它们。

具体步骤如下所示:

1. 导入 GridSearchCV 

from sklearn.model_selection import GridSearchCV

2.选择参数：

现在我们来选择我们想要选择的参数，并形成一个字典。 在这本字典中，键 (keys) 将是参数的名称，值 （values) 将是每个参数可能值的列表。 

parameters = {'kernel':['poly', 'rbf'],'C':[0.1, 1, 10]}

3.创建一个评分机制 (scorer)

我们需要确认将使用什么指标来为每个候选模型评分。 这里，我们将使用 F1 分数。 

from sklearn.metrics import make_scorer
from sklearn.metrics import f1_score
scorer = make_scorer(f1_score)

4. 使用参数 (parameter) 和评分机制 (scorer) 创建一个 GridSearch 对象。 使用此对象与数据保持一致 （fit the data) 。 

# Create the object.
grid_obj = GridSearchCV(clf, parameters, scoring=scorer)
# Fit the data
grid_fit = grid_obj.fit(X, y)

5. 获得最佳估算器 (estimator) 

best_clf = grid_fit.best_estimator_

现在你可以使用这一估算器 best_clf 来做出预测。

在下一页面中，你将进行练习，可以使用 GridSearchCV 来优化决策树模型。

Next Concept