GridSearchCV 簡介

GridSearchCV，自動調(diào)參，設(shè)置好相應(yīng)參數(shù)，就能給出最優(yōu)化的結(jié)果和參數(shù)。

數(shù)據(jù)量比較大的時(shí)候可以使用一個(gè)快速調(diào)優(yōu)的方法——坐標(biāo)下降。它其實(shí)是一種貪心算法：拿當(dāng)前對模型影響最大的參數(shù)調(diào)優(yōu)，直到最優(yōu)化；再拿下一個(gè)影響最大的參數(shù)調(diào)優(yōu)，如此下去，直到所有的參數(shù)調(diào)整完畢。這個(gè)方法的缺點(diǎn)就是可能會調(diào)到局部最優(yōu)而不是全局最優(yōu)，但是省時(shí)間省力，巨大的優(yōu)勢面前，還是試一試吧，后續(xù)可以再拿bagging再優(yōu)化。回到sklearn里面的GridSearchCV，GridSearchCV用于系統(tǒng)地遍歷多種參數(shù)組合，通過交叉驗(yàn)證確定最佳效果參數(shù)。

GridSearchCV

class sklearn.grid_search.GridSearchCV(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch=‘2*n_jobs’, error_score=’raise’)[source]

Deprecated since version 0.18: This module will be removed in 0.20. Use sklearn.model_selection.GridSearchCV instead.

1. estimator
   選擇使用的分類器，并且傳入除需要確定最佳的參數(shù)之外的其他參數(shù)。

每一個(gè)分類器都需要一個(gè)scoring參數(shù)，或者score方法：

如estimator=RandomForestClassifier(
min_samples_split=100,
min_samples_leaf=20,
max_depth=8,
max_features='sqrt',
random_state=10),

2. param_grid
   需要最優(yōu)化的參數(shù)的取值，值為字典或者列表，例如：
   param_grid =param_test1，
   param_test1 = {'n_estimators':range(10,71,10)}。

3. scoring=None
   模型評價(jià)標(biāo)準(zhǔn)，默認(rèn)None,這時(shí)需要使用score函數(shù)；或者如scoring='roc_auc'，
   根據(jù)所選模型不同，評價(jià)準(zhǔn)則不同。字符串（函數(shù)名），或是可調(diào)用對象，
   需要其函數(shù)簽名形如：scorer(estimator, X, y)；如果是None，則使用estimator的誤差估計(jì)函數(shù)。

4. n_jobs=1
   n_jobs: 并行數(shù)，int：個(gè)數(shù),-1：跟CPU核數(shù)一致, 1:默認(rèn)值

5. cv=None

交叉驗(yàn)證參數(shù)，默認(rèn)None，使用三折交叉驗(yàn)證。指定fold數(shù)量，默認(rèn)為3，也可以是yield產(chǎn)生訓(xùn)練/測試數(shù)據(jù)的生成器。

6. verbose=0, scoring=None
   verbose：日志冗長度，int：冗長度，0：不輸出訓(xùn)練過程，1：偶爾輸出，>1：對每個(gè)子模型都輸出。

7. pre_dispatch=‘2*n_jobs’
   指定總共分發(fā)的并行任務(wù)數(shù)。當(dāng)n_jobs大于1時(shí)，數(shù)據(jù)將在每個(gè)運(yùn)行點(diǎn)進(jìn)行復(fù)制，這可能導(dǎo)致OOM，
   而設(shè)置pre_dispatch參數(shù)，則可以預(yù)先劃分總共的job數(shù)量，使數(shù)據(jù)最多被復(fù)制pre_dispatch次

8. return_train_score=’warn’
   如果“False”，cv_results_屬性將不包括訓(xùn)練分?jǐn)?shù)。

9. refit :默認(rèn)為True,程序?qū)越徊骝?yàn)證訓(xùn)練集得到的最佳參數(shù)，重新對所有可用的訓(xùn)練集與開發(fā)集進(jìn)行，
   作為最終用于性能評估的最佳模型參數(shù)。即在搜索參數(shù)結(jié)束后，用最佳參數(shù)結(jié)果再次fit一遍全部數(shù)據(jù)集。

10. iid:默認(rèn)True,為True時(shí)，默認(rèn)為各個(gè)樣本fold概率分布一致，誤差估計(jì)為所有樣本之和，而非各個(gè)fold的平均。

進(jìn)行預(yù)測的常用方法和屬性

• grid.fit()：運(yùn)行網(wǎng)格搜索
• grid_scores_：給出不同參數(shù)情況下的評價(jià)結(jié)果
• best_params_：描述了已取得最佳結(jié)果的參數(shù)的組合
• best_score_：成員提供優(yōu)化過程期間觀察到的最好的評分

官網(wǎng)上貼例子

grid_search_digits.py

建立分類器clf時(shí)，調(diào)用GridSearchCV()函數(shù)，將上述參數(shù)列表的變量傳入函數(shù)。并且可傳入交叉驗(yàn)證cv參數(shù)，設(shè)置為5折交叉驗(yàn)證。對訓(xùn)練集訓(xùn)練完成后調(diào)用best_params_變量，打印出訓(xùn)練的最佳參數(shù)組。

from sklearn import datasets
from sklearn.cross_validation import train_test_split
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC

# Loading the Digits dataset
digits = datasets.load_digits()

# To apply an classifier on this data, we need to flatten the image, to
# turn the data in a (samples, feature) matrix:
n_samples = len(digits.images)
X = digits.images.reshape((n_samples, -1))
y = digits.target

# 將數(shù)據(jù)集分成訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.5, random_state=0)

# 設(shè)置gridsearch的參數(shù)
tuned_parameters = [{'kernel': ['rbf'], 'gamma': [1e-3, 1e-4],
                     'C': [1, 10, 100, 1000]},
                    {'kernel': ['linear'], 'C': [1, 10, 100, 1000]}]

#設(shè)置模型評估的方法.如果不清楚,可以參考上面的k-fold章節(jié)里面的超鏈接
scores = ['precision', 'recall']

for score in scores:
    print("# Tuning hyper-parameters for %s" % score)
    print()

    #構(gòu)造這個(gè)GridSearch的分類器,5-fold
    clf = GridSearchCV(SVC(), tuned_parameters, cv=5,
                       scoring='%s_weighted' % score)
    #只在訓(xùn)練集上面做k-fold,然后返回最優(yōu)的模型參數(shù)
    clf.fit(X_train, y_train)

    print("Best parameters set found on development set:")
    print()
    #輸出最優(yōu)的模型參數(shù)
    print(clf.best_params_)
    print()
    print("Grid scores on development set:")
    print()
    for params, mean_score, scores in clf.grid_scores_:
        print("%0.3f (+/-%0.03f) for %r"
              % (mean_score, scores.std() * 2, params))
    print()

    print("Detailed classification report:")
    print()
    print("The model is trained on the full development set.")
    print("The scores are computed on the full evaluation set.")
    print()
    #在測試集上測試最優(yōu)的模型的泛化能力.
    y_true, y_pred = y_test, clf.predict(X_test)
    print(classification_report(y_true, y_pred))
    print()

image.png

【以下轉(zhuǎn)載】 sklearn中GridSearchCV如何設(shè)置嵌套參數(shù)
以adaboost為例，adaboost有自己的參數(shù)，他的base_estimator指向一個(gè)弱學(xué)習(xí)器，這個(gè)弱學(xué)習(xí)器也包含自己的參數(shù)，為了使用GridSearchCV我們需要使用嵌套參數(shù)。在sklearn中我們使用雙下劃線表示”__”，例如

from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.grid_search import GridSearchCV
iris = datasets.load_iris()
param_grid = {"base_estimator__criterion": ["gini", "entropy"],
          "base_estimator__splitter":   ["best", "random"],
          "n_estimators": [1, 2]}
dtc = DecisionTreeClassifier()
ada = AdaBoostClassifier(base_estimator=dtc)
X, y = datasets.make_hastie_10_2(n_samples=12000, random_state=1)
grid_search_ada = GridSearchCV(ada, param_grid=param_grid, cv=10)
grid_search_ada.fit(X, y)}