目录Python全系列 教程
3567个小节阅读：5929.7k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
xxxxxxxxxxfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClassifier
digits = datasets.load_digits() # 加载数据集X = digits.data # 样本特征y = digits.target # 样本标签
# 拆分数据集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=666)
# 网格搜索from sklearn.model_selection import GridSearchCV # 组装待搜索的超参数组合param_grid = [ { "weights":["uniform"], "n_neighbors":[i for i in range(1,11)] }, { "weights":["distance"], "n_neighbors":[i for i in range(1,11)], "p":[i for i in range(1,6)] }]
knn = KNeighborsClassifier()gs = GridSearchCV(knn,param_grid,cv=3,n_jobs=-1)gs.fit(X_train,y_train) # 搜索最佳超参数组合print(gs.best_params_) # 最佳超参数print(gs.best_score_) # 最佳验证成绩# 携带最佳超参数组合的KNeighborsClassifier对象best_knn = gs.best_estimator_ # 使用最佳超参数组合的分类器进行拟合训练best_knn.fit(X_train,y_train) print("在测试集上的最终评估效果：",best_knn.score(X_test,y_test))1. 关于网格搜索，下列说法正确的是:
A 网格搜索与交叉验证是一回事
B 网格搜索是用来训练模型的
C 网格搜索可以实现自动调参并返回最佳的参数组合
D 以上说法均不正确
2.实现网格搜索，使用sklearn中的：
A KNeighborsClassifier
B StandardScaler
C cross_val_score
D GridSearchCV
1=>C 2=>D