網格搜索，搜索的是參數，即在指定的參數范圍內，按步長依次調整參數，利用調整的參數訓練學習器，從所有的參數中找到在驗證集上精度最高的參數，這其實是一個訓練和比較的過程。本節介紹三種網格搜索方法：簡單網格搜索、與交叉驗證結合的網格搜索、使用GridSearchCV的網格搜索。

網格搜索方法?

簡單網格搜索

for循環遍歷全部的參數設置，并找出最高分和對應的參數。

X_train, X_test, y_train, y_test=train_test_split(wine.data, wine.target,random_state=38) best_score = 0 for alpha in [0.01,0.1,1.0,10.0]:for max_iter in [100,1000,5000,10000]:lasso = Lasso(alpha=alpha,max_iter=max_iter)lasso.fit(X_train, y_train)score = lasso.score(X_test, y_test)if score > best_score:best_score = scorebest_parameters={'alpha':alpha,'最大迭代次數':max_iter}print("模型最高分為：{:.3f}".format(best_score)) print('最佳參數設置：{}'.format(best_parameters))

模型最高分為：0.889
最佳參數設置：{'alpha': 0.01, '最大迭代次數': 100}

與交叉驗證結合的網格搜索

交叉驗證法和網格搜索法結合起來找到模型的最優參數。只用先前拆分好的X_train來進行交叉驗證，以便我們找到最佳參數之后，再用來擬合X_test來看一下模型的得分。

for alpha in [0.01,0.1,1.0,10.0]:for max_iter in [100,1000,5000,10000]:lasso = Lasso(alpha=alpha,max_iter=max_iter)scores = cross_val_score(lasso, X_train, y_train, cv=6)score = np.mean(scores)if score > best_score:best_score = scorebest_parameters={'alpha':alpha, '最大迭代數':max_iter}print("模型最高分為：{:.3f}".format(best_score)) print('最佳參數設置：{}'.format(best_parameters))

模型最高分為：0.865
最佳參數設置：{'alpha': 0.01, '最大迭代數': 100}

lasso = Lasso(alpha=0.01, max_iter=100).fit(X_train, y_train) print('測試數據集得分：{:.3f}'.format(lasso.score(X_test,y_test)))

測試數據集得分：0.819

使用GridSearchCV的網格搜索

GridSearchCV本身就是將交叉驗證和網格搜索封裝在一起。GridSearchCV需要反復建模，所需要的計算時間往往更長。

from sklearn.model_selection import GridSearchCV params = {'alpha':[0.01,0.1,1.0,10.0],'max_iter':[100,1000,5000,10000]} grid_search = GridSearchCV(lasso,params,cv=6) grid_search.fit(X_train, y_train) print('模型最高分：{:.3f}'.format(grid_search.score(X_test, y_test))) print('最優參數：{}'.format(grid_search.best_params_))

模型最高分：0.819
最優參數：{'alpha': 0.01, 'max_iter': 100}

print('交叉驗證最高得分：{:.3f}'.format(grid_search.best_score_))

交叉驗證最高得分：0.865
分析：GridSearchCV有一個屬性best_score_，這個屬性會存儲模型在交叉驗證中所得的最高分，而不是在測試數據集上的得分。

想要完整代碼的朋友，可toutiao搜索“編程研究坊”關注后s信我，回復“算法筆記23“獲取

總結

以上是生活随笔為你收集整理的算法笔记（23）网格搜索及Python代码实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。