在日常模型训练过程中，模型有多种选择，模型的参数同样也有多种选择，如何根据同一批数据选出最适合的模型和参数呢？

一般情况下，模型还比较好选择，是选用机器学习中分类模型例如 LR、SVM或XGBoost等，还是使用深度学习模型CNN、LSTM等。但是参数的选择就让人很头疼，每个模型都有一堆参数，参数值又有许多，如何不费人力而费机器的选择模型参数呢，我今天看到了一种方法叫做：GridSearch，叫做网格搜索，准备记录一下。

什么是Grid Search 网格搜索？

Grid Search：一种调参手段，看起来很高大上，其实原理并不是很高大上(汗)。

穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。其原理就像是在数组里找最大值。(为什么叫网格搜索？以有两个参数的模型为例，参数a有3种可能，参数b有4种可能，把所有可能性列出来，可以表示成一个3*4的表格，其中每个cell就是一个网格，循环过程就像是在每个网格里遍历、搜索，所以叫grid search)

例如支持向量机中的SVC模型，一般调参的参数有 C 和 gamma。

其中 C是惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差

gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

而网格搜索就像是在下面这个由多个参数构成的网格里搜索一样：

Simple Grid Search 简单的网格搜索

其实在了解了网格搜索的原理后，我们实现网格搜索可以通过两层for循环，遍历每一个参数组合并返回模型在测试集上的分数，选择最高分数训练出来的模型参数即可。例如我们仅将SVC模型中的C和gamma作为待调参数：

from sklearn.datasets importload_irisfrom sklearn.svm importSVCfrom sklearn.model_selection importtrain_test_split

iris=load_iris()

X_train,X_test,y_train,y_test= train_test_split(iris.data,iris.target,random_state=0)print("Size of training set:{} size of testing set:{}".format(X_train.shape[0],X_test.shape[0]))#### grid search start

best_score =0for gamma in [0.001,0.01,0.1,1,10,100]:for C in [0.001,0.01,0.1,1,10,100]:

svm= SVC(gamma=gamma,C=C)#对于每种参数可能的组合，进行一次训练；

svm.fit(X_train,y_train)

score=svm.score(X_test,y_test)if score > best_score:#找到表现最好的参数

best_score =score

best_parameters= {'gamma':gamma,'C':C}#### grid search end

print("Best score:{:.2f}".format(best_score))print("Best parameters:{}".format(best_parameters))

可以得到上面结果输出为：

Size of training set:112 size of testing set:38Best score:0.973684Best parameters:{'gamma': 0.001, 'C': 100}

存在的问题：

上述操作中，我们使用训练集对模型进行训练，其中测试集除了用作参数调整，也用来测量模型的好坏；这样做导致最终的评分结果比实际效果要好。(因为测试集在调参过程中，送到了模型里，而我们的目的是将训练模型应用在unseen data上)

解决方法：

对训练集再进行一次划分，分成训练集和验证集，这样划分的结果就是：原始数据划分为3份，分别为：训练集、验证集和测试集；其中训练集用来模型训练，验证集用来调整参数，而测试集用来衡量模型表现好坏。

X_trainval,X_test,y_trainval,y_test = train_test_split(iris.data,iris.target,random_state=0)

X_train,X_val,y_train,y_val= train_test_split(X_trainval,y_trainval,random_state=1)print("Size of training set:{} size of validation set:{} size of teseting set:{}".format(X_train.shape[0],X_val.shape[0],X_test.shape[0]))

best_score= 0.0

for gamma in [0.001,0.01,0.1,1,10,100]:for C in [0.001,0.01,0.1,1,10,100]:

svm= SVC(gamma=gamma,C=C)

svm.fit(X_train,y_train)

score=svm.score(X_val,y_val)if score >best_score:

best_score=score

best_parameters= {'gamma':gamma,'C':C}

svm= SVC(**best_parameters) #使用最佳参数，构建新的模型

svm.fit(X_trainval,y_trainval) #使用训练集和验证集进行训练，more data always results in good performance.

test_score = svm.score(X_test,y_test) #evaluation模型评估

print("Best score on validation set:{:.2f}".format(best_score))print("Best parameters:{}".format(best_parameters))print("Best score on test set:{:.2f}".format(test_score))

通过对训练集进行再次分割，使用验证集进行参数选择，得到的结果如下：

Size of training set:84 size of validation set:28 size of teseting set:38Best score on validation set:0.96Best parameters:{'gamma': 0.001, 'C': 10}

Best score on test set:0.92

可见，在验证集上进行了参数选择后，模型选择的最优参数发生了改变，但最起码能(大概)知道这个参数组合的泛化效果如何，因为也受数据分布影响，因为这只是一个划分结果，这个score of test set，还是有一定的偶然性，所以需要使用交叉验证来减少偶然性。

Grid Search with Cross Validation

from sklearn.model_selection importcross_val_score

best_score= 0.0

for gamma in [0.001,0.01,0.1,1,10,100]:for C in [0.001,0.01,0.1,1,10,100]:

svm= SVC(gamma=gamma,C=C)

scores= cross_val_score(svm,X_trainval,y_trainval,cv=5) #5折交叉验证

score = scores.mean() #取平均数

if score >best_score:

best_score=score

best_parameters= {"gamma":gamma,"C":C}

svm= SVC(**best_parameters)

svm.fit(X_trainval,y_trainval)

test_score=svm.score(X_test,y_test)print("Best score on validation set:{:.2f}".format(best_score))print("Best parameters:{}".format(best_parameters))print("Score on testing set:{:.2f}".format(test_score))

我们在模型训练过程中，没有单独划分出某一部分作为专门的验证集，而是对训练集进行了5折交叉验证，并且取出5个划分好的数据集训练出的结果取平均来尝试得到最优参数组合。(这样更加稳定)，结果可见下：

Best score on validation set:0.97Best parameters:{'gamma': 0.01, 'C': 100}

Score on testing set:0.97

可以看到参数又改变了。

在使用交叉验证+网格搜索操作中，我们使用cross_val_score，方法来判断每一次交叉验证的结果，再使用均值来判断这组参数的效果，同样在sklearn中就有这么一个类GridSearchCV，这个类实现了fit，predict，score等方法，被当做了一个estimator，使用fit方法，该过程中：(1)搜索到最佳参数；(2)实例化了一个最佳参数的estimator；

from sklearn.model_selection importGridSearchCV#把要调整的参数以及其候选值 列出来；

param_grid = {"gamma":[0.001,0.01,0.1,1,10,100],"C":[0.001,0.01,0.1,1,10,100]}print("Parameters:{}".format(param_grid))

grid_search= GridSearchCV(SVC(),param_grid,cv=5) #实例化一个GridSearchCV类

X_train,X_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=10) #在这里划分好数据后，下面的grid_search自动进行训练集和验证集划分并取出最优参数组合，返回的grid_search就是一个带该参数组合的模型

grid_search.fit(X_train,y_train) #训练，找到最优的参数，同时使用最优的参数实例化一个新的SVC estimator。

print("Test set score:{:.2f}".format(grid_search.score(X_test,y_test)))print("Best parameters:{}".format(grid_search.best_params_))print("Best score on train set:{:.2f}".format(grid_search.best_score_))

最后得到输出结果：

Parameters:{'gamma': [0.001, 0.01, 0.1, 1, 10, 100], 'C': [0.001, 0.01, 0.1, 1, 10, 100]}

Test set score:0.97Best parameters:{'C': 10, 'gamma': 0.1}

Best score on train set:0.98

Grid Search 调参方法存在的共性弊端就是：耗时；参数越多，候选值越多，耗费时间越长！所以，一般情况下，先定一个大范围，然后再细化。

总结

Grid Search：一种调优方法，在参数列表中进行穷举搜索，对每种情况进行训练，找到最优的参数；由此可知，这种方法的主要缺点是 比较耗时！