标签：random gs Scikit 网格 调优 参数 np 取值

一.描述

• 网格搜索法
  • 是遍历多个参数多个取值的全部组合，使用每一组参数组合做训练和评估测试，记录评估结果，最终找出最优评估结果，该结果对应的参数就是最优参数。
  • 训练的时间与数据集大小、训练次数、参数数量以及每个参数的取值数量正相关。当数据集较大时，网格搜索法耗时非常长。因此使用网格搜索法参数调优（调参）时，应尽可能减少参与调参的参数个数，限制每一个参数的取值数量
• 随机搜索法
  • 随机搜索法类似于网格搜索法，只是不需要给出每个参数的取值，而是给出每个参数的取值范围。该方法会在每个参数的取值范围内随机取值，得到参数组合并对其进行训练和评估。
  • 随机搜索发适用于参数取值不确定，需要再较大的范围内寻找最优参数的场合

二.实例

import numpy as np
x, y = np.mgrid[-2:2:50j, -2:2:50j]
z = x * np.exp(-x ** 2 -y ** 2)
_x = np.random.random(1000) * 4 - 2
_y = np.random.random(1000) * 4 - 2
_z = _x * np.exp(-_x ** 2 - _y ** 2) + (np.random.random(1000) - 0.5) * 0.1
# 训练样本集
X_train = np.stack((_x, _y), axis=1)
# 训练标签集
y_train = _z
# 测试样本集
X_test = np.stack((x.ravel(), y.ravel()), axis=1)
# 测试标签集
y_test = z.ravel()
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
args = {
    # 指定参数的7种取值
    'C': [0.001, 0.01, 0.1, 1, 10, 100, 1000],
    'gamma': [0.001, 0.01, 0.1, 1, 10, 100, 1000]
}
# 实例化网格搜索器
gs = GridSearchCV(SVR(), args, cv=5)
gs.fit(X_train, y_train)
# 评估网格搜索器
gs.score(X_test, y_test)
# 当前最优参数
gs.best_params_
%matplotlib
# 对测试集做回归分析
z_gs = gs.predict(X_test)
import matplotlib.pyplot as plt
import mpl_toolkits.mplot3d
plt.figure(figsize=(8, 8))
ax = plt.subplot(111, projection='3d')
ax.scatter3D(_x, _y, _z, c='r')
ax.plot_surface(x, y, z_gs.reshape(x.shape), cmap=plt.cm.hsv, alpha=0.5)
plt.show()

标签：random,gs,Scikit,网格,调优,参数,np,取值
来源： https://blog.csdn.net/feizuiku0116/article/details/120236263

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。