notebook 设置超参

在机器学习和深度学习项目中，超参数是指那些需要手动设置而不是由模型自动学习的参数。比如学习率、批量大小、网络层数等。如果你是在Jupyter Notebook中调整超参数，通常有以下几个步骤：

1. **导入库**：首先，你需要导入必要的库，如`sklearn.model_selection`用于参数搜索，以及`numpy`或`pandas`处理数据。

from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
import numpy as np

2. **定义模型和参数范围**：确定你使用的模型，比如支持向量机(SVM)，并定义你想要测试的各种超参数及其取值范围。

model = SVC()
param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf'], 'gamma': ['scale', 'auto']}

3. **使用GridSearchCV或RandomizedSearchCV**：`GridSearchCV`会遍历所有给定参数组合，而`RandomizedSearchCV`会在指定范围内随机采样参数。这里以`GridSearchCV`为例：

grid_search = GridSearchCV(model, param_grid, cv=5)  # 交叉验证次数可根据需求调整

4. **拟合数据**：使用训练数据集对网格搜索对象进行拟合。

grid_search.fit(X_train, y_train)

5. **查看最佳参数和性能**：最后，你可以打印出找到的最佳参数以及对应的评估指标（如准确率）。

best_params = grid_search.best_params_
best_score = grid_search.best_score_

记得在实际应用中，你可能还需要拆分数据集为训练集和验证集，以避免过拟合，并且可以多次迭代以提高超参数优化的效果。