RandomizedSearchCV怎么使用

RandomizedSearchCV是一个用于超参数调优的工具。它可以帮助你在给定的超参数范围内，随机地搜索组合，并返回一个最优的超参数组合，从而提高模型的性能。

使用RandomizedSearchCV有以下几个步骤：

1. 导入RandomizedSearchCV和你想要调优的模型。

2. 定义超参数的范围以及搜索的次数。可以使用字典或列表来定义超参数的范围。

3. 使用RandomizedSearchCV函数来运行随机搜索。传入模型、参数范围、评价指标、交叉验证次数等参数。

4. 通过.best_params_获取最优的超参数组合。

以下是一个简单的例子：

from sklearn.model_selection import RandomizedSearchCV
from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 定义超参数范围和搜索次数
param_dist = {"max_depth": [3, None],
              "max_features": np.random.randint(1, 11),
              "min_samples_split": np.random.randint(2, 11),
              "min_samples_leaf": np.random.randint(1, 11),
              "bootstrap": [True, False],
              "criterion": ["gini", "entropy"]}

# 实例化模型
rf = RandomForestClassifier()

# 运行随机搜索
search = RandomizedSearchCV(rf, param_distributions=param_dist,
                            n_iter=10, cv=5, iid=False)

# 拟合数据
search.fit(X_train, y_train)

# 输出最优的超参数组合
print(search.best_params_)

在这个例子中，我们使用了随机森林模型，定义了一些超参数的范围，然后运行了10次随机搜索。最后输出了最优的超参数组合。