机器学习--模型参数优化及scoring可选参数
全栈⼯程师开发⼿册 （作者：栾鹏）沈阳日语翻译
⽹格搜索GridSearchCV
GridSearchCV⽤于系统地遍历多种参数组合，通过交叉验证确定最佳效果参数。
常⽤参数解读
泰国人妖空姐
estimator：所使⽤的分类器，
dictionary
如estimator=omForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt',random_state=10), 并且传⼊除需要
确定最佳的参数之外的其他参数。每⼀个分类器都需要⼀个scoring参数，或者score⽅法。
param_grid：值为字典或者列表，即需要最优化的参数的取值，param_grid =param_test1，param_test1 = {'n_estimators':range(10,71,10)}。
scoring ：准确度评价标准，默认None，这时需要使⽤score函数；或者如scoring=’roc_auc’，根据所选模型不同，评价准则不同。字符
heaton串（函数名），或是可调⽤对象，需要其函数签名形如：scorer(estimator, X, y)；如果是None，则使⽤estimator的误差估计函数。下
⽂表格中详细指定了score可取的值和函数形式。
cv ：交叉验证参数，默认None，使⽤三折交叉验证。指定fold数量，默认为3，也可以是yield训练/测试数据的⽣成器。也可是是诸如StratifiedKFold(n_splits=10)这样的类对象。
refit ：默认为True，程序将会以交叉验证训练集得到的最佳参数，重新对所有可⽤的训练集与开发集进⾏，作为最终⽤于性能评估的最佳模型
参数。即在搜索参数结束后，⽤最佳参数结果再次fit⼀遍全部数据集。
iid：默认True，为True时，默认为各个样本fold概率分布⼀致，误差估计为所有样本之和，⽽⾮各个fold的平均。
verbo：⽇志冗长度，int：冗长度，0：不输出训练过程，1：偶尔输出，>1：对每个⼦模型都输出。
n_jobs: 并⾏数，int：个数,-1：跟CPU核数⼀致, 1：默认值。
pre_dispatch：指定总共分发的并⾏任务数。当n_jobs⼤于1时，数据将在每个运⾏点进⾏复制，这可能导致OOM，⽽设置pre_dispatch
参数，则可以预先划分总共的job数量，使数据最多被复制pre_dispatch次
siliconerubber随机参数优化RandomizedSearchCV
尽管使⽤参数设置的⽹格法是⽬前最⼴泛使⽤的参数优化⽅法, 其他搜索⽅法也具有更有利的性能。 RandomizedSearchCV 实现了对参数
shevchenko的随机搜索, 其中每个设置都是从可能的参数值的分布中进⾏取样。 这对于穷举搜索有两个主要优势:
可以选择独⽴于参数个数和可能值的预算
添加不影响性能的参数不会降低效率
大专学历最快多久拿证指定如何取样的参数是使⽤字典完成的, ⾮常类似于为 GridSearchCV 指定参数。 此外, 通过 n_iter 参数指定计算预算, 即取样候选项数或
取样迭代次数。 对于每个参数, 可以指定在可能值上的分布或离散选择的列表 (均匀取样):
{'C': pon(scale=100), 'gamma': pon(scale=.1),
'kernel': ['rbf'], 'class_weight':['balanced', None]}
body对象返回值grid的属性
1.cv_results_：给出不同参数情况下的评价结果的记录，这是⼀个字典，可以通过grid.cv_results_.keys()打印该字典的所有详细键值対
信息。
2.best_params_：描述了已取得最佳结果的参数的组合，是⼀个字典revolucion
3.best_score_：成员提供优化过程期间观察到的最好的评分
4.best_estimator_：返回最佳的估计器对象。
英文作文范文
使⽤
hp.randint(label,upper)
