菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

Python 教程

Python 主页 Python 简介 Python 入门 Python 语法 Python 注释 Python 变量 Python 数据类型 Python 数字 Python 类型转换 Python 字符串 Python 布尔值 Python 运算符 Python 列表 Python 元组 Python 集合 Python 字典 Python If...Else Python While 循环 Python For 循环 Python 函数 Python Lambda Python 数组 Python 类/对象 Python 继承 Python 迭代器 Python 多态 Python 作用域 Python 模块 Python 日期 Python 数学 Python JSON Python 正则表达式 Python PIP Python Try...Except Python 用户输入 Python 字符串格式化

文件处理

Python 文件处理 Python 读取文件 Python 写入/创建文件 Python 删除文件

Python 模块

NumPy 教程 Pandas 教程 SciPy 教程 Django 教程

Python Matplotlib

Matplotlib 简介 Matplotlib 入门 Matplotlib Pyplot Matplotlib 绘图 Matplotlib 标记 Matplotlib 线条 Matplotlib 标签 Matplotlib 网格 Matplotlib 子图 Matplotlib 散点图 Matplotlib 条形图 Matplotlib 直方图 Matplotlib 饼图

机器学习

入门 均值中位数众数 标准差 百分位数 数据分布 正态数据分布 散点图 线性回归 多项式回归 多元回归 缩放 训练/测试 决策树 混淆矩阵 层次聚类 逻辑回归 网格搜索 分类数据 K-均值 Bootstrap Aggregation 交叉验证 AUC - ROC 曲线 K-近邻

Python MySQL

MySQL 入门 MySQL 创建数据库 MySQL 创建表 MySQL 插入 MySQL 选择 MySQL Where MySQL Order By MySQL 删除 MySQL 删除表 MySQL 更新 MySQL Limit MySQL Join

Python MongoDB

MongoDB 入门 MongoDB 创建数据库 MongoDB 集合 MongoDB 插入 MongoDB Find MongoDB Query MongoDB Sort MongoDB 删除 MongoDB 删除集合 MongoDB 更新 MongoDB Limit

Python 参考

Python 概述 Python 内置函数 Python 字符串方法 Python 列表方法 Python 字典方法 Python 元组方法 Python 集合方法 Python 文件方法 Python 关键字 Python 异常 Python 词汇表

模块参考

Random 模块 Requests 模块 Statistics 模块 Math 模块 cMath 模块

Python 如何操作

删除列表重复项 反转字符串 两个数字相加

Python 示例

Python 示例 Python 编译器 Python 练习 Python 测验 Python 服务器 Python 面试问答 Python 训练营 Python 证书

机器学习 - 网格搜索


在此页面上,W3schools.com 与 纽约数据科学学院 合作,为我们的学生提供数字培训内容。


网格搜索

大多数机器学习模型都包含可以调整以改变模型学习方式的参数。例如,来自 sklearn 的逻辑回归模型有一个参数 C,用于控制正则化,这会影响模型的复杂性。

我们如何为 C 选择最佳值?最佳值取决于用于训练模型的数据。


它是如何工作的?

一种方法是尝试不同的值,然后选择给出最佳分数的值。这种技术被称为网格搜索。如果我们要为两个或更多参数选择值,我们将评估所有值的组合,从而形成一个值网格。

在我们开始示例之前,最好先了解我们正在更改的参数的作用。C 值越高,表示模型认为训练数据与真实世界信息越相似,对训练数据赋予更大的权重。而 C 值越低,则相反。


使用默认参数

首先,让我们看看在不使用网格搜索的情况下,仅使用基本参数能生成什么样的结果。

首先,我们必须加载将要使用的数据集。

来自 sklearn 的数据集
鸢尾花 = datasets.load_iris()

接下来,为了创建模型,我们必须有一组自变量 X 和一个因变量 y。

X = 鸢尾花['数据']
y = 鸢尾花['目标']

现在我们将加载逻辑模型来对鸢尾花进行分类。

来自 sklearn.linear_model 导入 LogisticRegression

创建模型,将 max_iter 设置为更高的值以确保模型找到结果。

请记住,逻辑回归模型中 C 的默认值是 1,我们稍后会进行比较。

在下面的示例中,我们查看鸢尾花数据集,并尝试使用逻辑回归中 C 的不同值来训练模型。

逻辑回归 = LogisticRegression(max_iter = 10000)

创建模型后,我们必须将模型拟合到数据。

print(logit.fit(X,y))

为了评估模型,我们运行 score 方法。

print(logit.score(X,y))

示例

来自 sklearn 的数据集
来自 sklearn.linear_model 导入 LogisticRegression

鸢尾花 = datasets.load_iris()

X = 鸢尾花['数据']
y = 鸢尾花['目标']

逻辑回归 = LogisticRegression(max_iter = 10000)

print(logit.fit(X,y))

print(logit.score(X,y))
运行示例 »

C = 1 的默认设置下,我们取得了 0.973 的分数。

让我们看看通过使用不同值的网格搜索是否能做得更好,目前的分数为 0.973。


广告


实现网格搜索

我们将遵循之前的相同步骤,但这次我们将为 C 设置一个值范围。

知道为搜索参数设置哪些值需要领域知识和实践的结合。

由于 C 的默认值是 1,我们将设置一个围绕它的值范围。

C = [0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2]

接下来,我们将创建一个 for 循环来替换 C 的值,并在每次更改时评估模型。

首先我们将创建一个空列表来存储分数。

分数 = []

为了改变 C 的值,我们必须遍历值的范围,并在每次迭代中更新参数。

对于 C 中的每个选择
  logit.set_params(C=choice)
  logit.fit(X, y)
  scores.append(logit.score(X, y))

将分数存储在列表中后,我们可以评估 C 的最佳选择。

print(scores)

示例

来自 sklearn 的数据集
来自 sklearn.linear_model 导入 LogisticRegression

鸢尾花 = datasets.load_iris()

X = 鸢尾花['数据']
y = 鸢尾花['目标']

逻辑回归 = LogisticRegression(max_iter = 10000)

C = [0.25, 0.5, 0.75, 1, 1.25, 1.5, 1.75, 2]

分数 = []

对于 C 中的每个选择
  logit.set_params(C=choice)
  logit.fit(X, y)
  scores.append(logit.score(X, y))

print(scores)
运行示例 »

结果解释

我们可以看到,较低的 C 值表现不如基准参数 1。然而,当我们将 C 的值增加到 1.75 时,模型的准确性有所提高。

似乎将 C 增加到超过这个量并不能提高模型准确性。


关于最佳实践的注意事项

我们使用训练逻辑回归模型的数据对它进行了评分。如果模型与该数据过于吻合,它可能不擅长预测未见过的数据。这种统计误差被称为**过拟合**。

为了避免被训练数据上的分数误导,我们可以留出我们数据的一部分,专门用于测试模型。请参考关于训练/测试分割的讲座,以避免被误导和过拟合。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持