1.机器学习算法调参

1)网格搜索优化参数

网格搜索优化参数——通过遍历已定义参数的列表来评估算法的参数。
在sklearn 中使用GridSearchCV来实现对参数的跟踪、调整与评估。
GridSearchCV使用字典对象来指定需要调参的参数，可以同时对一个或多个参数进行调参。

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
from pandas import read_csv
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import Ridgefilename='pima indians.txt'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:8]
Y= array[:,8]
model = Ridge()  #脊回归
param_grid={'alpha':[1, 0.1, 0.01, 0.001, 0]}  #可以设置多个键值对，同时查询多个参数的最优参数值
grid=GridSearchCV(estimator = model ,param_grid = param_grid)
grid.fit(X,Y)print('最高得分：%.3f' % grid.best_score_)
print('最优参数：%.3f' % grid.best_estimator_.alpha)

运行结果为：

最高得分：0.280
最优参数：1.000

2)随机搜索优化参数

随机搜索优化参数——通过固定次数的迭代，采用随机采样分布的方式搜索合适的参数。
——与网格搜索优化参数相比，随机搜索优化参数更高效（特别是在参数数量多的情况下）。随机搜索优化参数为每个参数定义了一个分布函数，并在该空间中采样。
在sklearn 中通过RandomizedSearchCV来实现。

from pandas import read_csv
from sklearn.model_selection import RandomizedSearchCV
from sklearn.linear_model import Ridge
from scipy.stats import uniformfilename='pima indians.txt'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
array= data.values
X= array[:,0:8]
Y= array[:,8]
model = Ridge()
param_grid={'alpha':uniform}
#随机搜索优化参数
grid=RandomizedSearchCV(estimator = model ,param_distributions = param_grid, n_iter=100, random_state=7)
grid.fit(X,Y)print('最高得分：%.3f' % grid.best_score_)
print('最优参数：%.3f' % grid.best_estimator_.alpha)

运行结果为：

最高得分：0.280
最优参数：0.978

《深度学习Python实践》第17章——算法调参相关推荐

基于Python贝叶斯优化XGBoost算法调参报错“TypeError: ‘float‘ object is not subscriptable”
基于Python贝叶斯优化XGBoost算法调参运行情况如下: iter target colsam- gamma max_depth min_ch- subsample 1 0.9398 0.804 ...
基于深度学习的手写数字识别算法Python实现
摘要深度学习是传统机器学习下的一个分支,得益于近些年来计算机硬件计算能力质的飞跃,使得深度学习成为了当下热门之一.手写数字识别更是深度学习入门的经典案例,学习和理解其背后的原理对于深度学习的理解有 ...
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（四）（Python语言基础（2））
[神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(四)(Python语言基础(2)) 第4讲 Python语言基础(2) 4.1 内置数据结构 4.1.1 序列数据结构(sequ ...
人工神经网络理论、设计及应用_TensorFlow深度学习应用实践：教你如何掌握深度学习模型及应用...
前言通过TensorFlow图像处理,全面掌握深度学习模型及应用. 全面深入讲解反馈神经网络和卷积神经网络理论体系. 结合深度学习实际案例的实现,掌握TensorFlow程序设计方法和技巧. 着重深 ...
零基础入门深度学习(3) - 神经网络和反向传播算法
无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作为一个有理想有追求的程序员,不懂深度学习(Deep Learning)这个超热的技术,会不会感觉马上就o ...
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（八）（TensorFlow基础））
[神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(八)(TensorFlow基础)) 8 TensorFlow基础 8.1 TensorFlow2.0特性 8.1.1 Tenso ...
一文弄懂元学习 (Meta Learing)（附代码实战）《繁凡的深度学习笔记》第 15 章元学习详解（上）万字中文综述
<繁凡的深度学习笔记>第 15 章元学习详解 (上)万字中文综述(DL笔记整理系列) 3043331995@qq.com https://fanfansann.blog.csdn.net ...
深度学习笔记第二门课改善深层神经网络第一周：深度学习的实践层面
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
2.1）深度学习笔记：深度学习的实践层面
目录 1)Train/Dev/Test sets 2)Bias/Variance 3)Regularization(重点) 4)Why regularization reduces overfitti ...
解析深度学习:语音识别实践 (俞栋等著) 完整pdf[44MB]
AlphaGo与李世石的围棋大战激发了人们对人工智能是非的诸多争论.人工智能背后的工作原理深度学习跳入大众的视野.AlphaGo的大获全胜一定程度展示了深度学习在应用领域的成功,而语音识别正是深度学习 ...

《深度学习Python实践》第17章——算法调参

1.机器学习算法调参

1)网格搜索优化参数

2)随机搜索优化参数

《深度学习Python实践》第17章——算法调参相关推荐

最新文章

热门文章