最小错误率贝叶斯决策实验代码python

最小错误率（Minimum Error Rate，MER）是一种常用的评价分类模型性能的方法，它关注的是模型在所有类别上犯错概率之和的最小值。在Python中，我们可以使用scikit-learn库来进行这个实验，特别是`GridSearchCV`进行超参数搜索，找到使得错误率最低的模型配置。

以下是一个简单的示例代码，假设我们有一个二分类问题，并使用逻辑回归作为基础模型：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

# 创建数据集
X, y = make_classification(random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义逻辑回归模型
log_reg = LogisticRegression()

# 设置网格搜索参数范围
param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100]}  # C控制正则化强度

# 使用GridSearchCV寻找最优参数
grid_search = GridSearchCV(log_reg, param_grid, cv=5, scoring='neg_mean_squared_error')  # 负MSE是为了最小化误差
grid_search.fit(X_train, y_train)

# 获取最佳参数和模型
best_params = grid_search.best_params_
best_model = grid_search.best_estimator_

# 预测并评估模型
y_pred = best_model.predict(X_test)
report = classification_report(y_test, y_pred)

# 输出错误率，即最接近最小错误率的表现
print(f"Best parameters: {best_params}")
print(f"Classification report:\n{report}\n")