python人工智能——机器学习——模型选择与调优

1.交叉验证

交叉验证：为了让被评估的模型更加准确可信

交叉验证过程

交叉验证：将拿到的数据，分为训练和验证集。
以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

2.网格搜索

网格搜索：调参数 K-近邻。

超参数搜索-网格搜索

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。
但是手动过程繁杂，所以需要对模型预设几种超参数组合。
每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

API

sklearn.model_selection.GridSearchCV

GridSearchCV

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
	对估计器的指定参数值进行详尽搜索
	
	estimator：估计器对象
	param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
	cv：指定几折交叉验证
	fit：输入训练数据
	score：准确率
	结果分析：
	best_score_:在交叉验证中测试的最好结果
	best_estimator_：最好的参数模型
	cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果