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
xxxxxxxxxx
from sklearn import datasets
from sklearn.model_selection import train_test_split
from 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