from sklearn.model_selection import GridSearchCV print("参数最优化：") xgb_model = xgb.XGBClassifier() param_dict = {'n_estimators': [10,50,100,150], 'learning_rate': [0.01,0.1,0.3]} clf = GridSearchCV(xgb_model, param_dict, verbose=1) clf.fit(X,Y) print(clf.best_score_) print(clf.best_params_)如何把这个代码可视化为热力图

你可以使用Seaborn库来可视化GridSearchCV的结果为热力图。首先，将GridSearchCV的结果存储在一个DataFrame中，然后使用Seaborn的heatmap函数绘制热力图。

下面是代码示例：

import seaborn as sns
import pandas as pd

xgb_model = xgb.XGBClassifier()
param_dict = {'n_estimators': [10,50,100,150],
              'learning_rate': [0.01,0.1,0.3]}
clf = GridSearchCV(xgb_model, param_dict, verbose=1)
clf.fit(X,Y)

results = pd.DataFrame(clf.cv_results_)
heatmap_data = pd.pivot_table(results, values='mean_test_score', index='param_n_estimators', columns='param_learning_rate')

sns.heatmap(heatmap_data, cmap="YlGnBu", annot=True)

这将生成一个热力图，其中每个单元格表示一个参数组合的平均测试分数。颜色越浅，分数越高，可以帮助你找到最佳参数组合。