GridSearchCV应用举例
时间: 2023-11-08 17:06:06 浏览: 204
GridSearchCV是一种用于超参数优化的技术,它可以帮助我们找到最优的超参数组合,以提高模型的性能。以下是一个使用GridSearchCV的示例:
假设我们正在使用支持向量机(SVM)对一个二分类问题进行建模,我们需要找到最佳的SVM模型超参数。我们可以使用GridSearchCV来找到最佳的超参数组合。
首先,我们需要导入必要的库和数据集:
```python
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
```
```python
data = load_breast_cancer()
X = data.data
y = data.target
```
接下来,我们需要定义要优化的超参数和它们的可能值:
```python
param_grid = {
'C': [0.1, 1, 10, 100],
'gamma': [0.1, 1, 10, 100],
'kernel': ['linear', 'rbf']
}
```
这里我们定义了三个超参数:C、gamma和kernel。每个超参数都有几个可能的取值。我们可以通过GridSearchCV来搜索所有可能的超参数组合:
```python
svc = SVC()
grid_search = GridSearchCV(svc, param_grid, cv=5)
grid_search.fit(X, y)
```
在这里,我们创建了一个SVC对象,然后使用GridSearchCV对其进行了实例化。我们传递了要搜索的超参数范围和5折交叉验证的参数。最后,我们使用数据拟合网格搜索对象:
```python
print(grid_search.best_params_)
print(grid_search.best_score_)
```
在这里,我们打印出最佳超参数组合和对应的模型得分。这些超参数将用于创建最终的SVM模型,以便对未知数据进行预测。
这是一个简单的GridSearchCV示例。在实际应用中,我们需要根据具体情况调整超参数范围,并进行多次实验以找到最佳的超参数组合。
阅读全文