文章目录

准备数据
网格搜索参数
评估结果
全部代码

需要的包如下：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold

准备数据

这里以随机森林为例，前期的准备数据：

def get_train_x_y(): # 这里使用随机生成数，来表示数据x = pd.DataFrame(data=np.random.randint(0, 10, size=(100, 5)))y = np.random.randint(0, 2, 100)x = StandardScaler().fit_transform(x)return x, yif __name__ == '__main__':x_train, y_train = get_train_x_y()x_train, x_test, y_train, y_test = train_test_split(x_train, y_train, test_size=0.3)

网格搜索参数

    # 建立随机森林模型rf_model = RandomForestClassifier()rf_param = {'n_estimators': range(25, 100, 25)}  # 网格搜索的参数cv = KFold()rf_grid = GridSearchCV(rf_model, rf_param, cv=cv, scoring=['accuracy', 'recall'], refit=False)rf_grid.fit(x_train, y_train)

评估结果

def get_score_by_grid(grid):score_df = pd.DataFrame()for score in grid.scoring: # 把网格搜索的结果拿出来，构造成一个dataframemean = grid.cv_results_['mean_test_' + score]score_df = pd.concat([pd.DataFrame(mean, columns=['mean_test_' + score]).T, score_df])std = grid.cv_results_['std_test_' + score]score_df = pd.concat([pd.DataFrame(std, columns=['std_test_' + score]).T, score_df])return score_dfprint(get_score_by_grid(rf_grid))

全部代码

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.model_selection import ShuffleSplit, KFolddef get_score_by_grid(grid):score_df = pd.DataFrame()for score in grid.scoring:mean = grid.cv_results_['mean_test_' + score]score_df = pd.concat([pd.DataFrame(mean, columns=['mean_test_' + score]).T, score_df])std = grid.cv_results_['std_test_' + score]score_df = pd.concat([pd.DataFrame(std, columns=['std_test_' + score]).T, score_df])return score_dfdef get_train_x_y():x = pd.DataFrame(data=np.random.randint(0, 10, size=(100, 5)))y = np.random.randint(0, 2, 100)x = StandardScaler().fit_transform(x)return x, yif __name__ == '__main__':x_train, y_train = get_train_x_y()x_train, x_test, y_train, y_test = train_test_split(x_train, y_train, test_size=0.3)# 建立随机森林模型rf_model = RandomForestClassifier()rf_param = {'n_estimators': range(25, 100, 25)}  # 网格搜索的参数cv = KFold()rf_grid = GridSearchCV(rf_model, rf_param, cv=cv, scoring=['accuracy', 'recall'], refit=False)rf_grid.fit(x_train, y_train)print(get_score_by_grid(rf_grid))

sklearn GridSearchCV网格搜索案例与代码相关推荐

【Python-ML】SKlearn库网格搜索和交叉验证
# -*- coding: utf-8 -*- ''' Created on 2018年1月18日 @author: Jason.F @summary: GridSearch网格搜索:同一模型下组合参 ...
kfold_机器学习gridsearchcv(网格搜索)和kfold validation(k折验证)
网格搜索算法是一种通过遍历给定的参数组合来优化模型表现的方法. 以决策树为例,当我们确定了要使用决策树算法的时候,为了能够更好地拟合和预测,我们需要调整它的参数.在决策树算法中,我们通常选择的参数是决 ...
Grid SearchCV（网格搜索）用法代码演示
注意没有参数 n_iter=300 否则报错 TypeError: __init__() got an unexpected keyword argument 'n_iter' https://www ...
python网格搜索核函数_机器学习笔记——模型调参利器 GridSearchCV（网格搜索）参数的说明...
算法数据结构机器学习笔记--模型调参利器 GridSearchCV(网格搜索)参数的说明 GridSearchCV,它存在的意义就是自动调参,只要把参数输进去,就能给出最优化的结果和参数.但是这个 ...
加载svr模型_机器学习XGBoost实战，网格搜索自动调参，对比随机森林，线性回归，SVR【完整代码（含注释）+数据集见原文链接】...
建议:阅读2020.8.7的文章,完全了解GDBT和XGBT的原理. 机器学习- XGBoost,GDBT[过程:决策树,集成学习,随机森林,GDBT,XGBT,LightGBM] 本次实践内容: 数 ...
【数学建模】机器学习预测算法（KNN、随机森林、网格搜索对决策树、支持向量机）（Python代码实现）【2021华为杯】
目录 1 题目 2 数据集介绍及建模目标 3 问题 4 简化描述 5 Python代码实现 1 题目乳腺癌是目前世界上最常见,致死率较高的癌症之一.乳腺癌的发展与雌激素受体密切相关,有研究发现,雌激 ...
Lesson 6.5Lesson 6.6.1Lesson 6.6.2 机器学习调参基础理论与网格搜索多分类评估指标的macro与weighted过程GridSearchCV的进阶使用方法
Lesson 6.5 机器学习调参基础理论与网格搜索在上一小节执行完手动调参之后,接下来我们重点讨论关于机器学习调参的理论基础,并且介绍sklearn中调参的核心工具--GridSearchCV. ...
sklearn Grid Search 网格搜索
1. 定义 Grid Search:选取模型的最优超参数.通过优化超参数之间的最优组合来改善模型性能. (获取最优超参数的方式可以绘制验证曲线,但是验证曲线只能每次获取一个最优超参数.如果多个超参数有 ...
机器学习之网格搜索技术，如何在Auto-sklearn中应用网格搜索技术
文章目录一,机器学习中的网格搜索技术是怎么回事二,通俗解释三,在一般情况下使用网格搜索技术四,GridSearchCV网格搜索技术的原理五,如何在Auto-sklearn中使用网格搜索技术 ...

sklearn GridSearchCV网格搜索案例与代码

文章目录

准备数据

网格搜索参数

评估结果

全部代码

sklearn GridSearchCV网格搜索案例与代码相关推荐

最新文章

热门文章