Machine learning 如何在GridSearchCV中使用最佳参数作为分类器的参数？

我有一个名为

svc_param_selection（X，y，n）

的函数，它返回

best_param

。 现在我想使用返回的最佳_参数作为分类器的参数，如：

---

这里的参数似乎不是网格。

您可以使用GridSearchCV执行此操作。这里有一个例子：

# Applying GridSearch to find best parameters
from sklearn.model_selection import GridSearchCV
parameters = [{ 'criterion' : ['gini'], 'splitter':['best','random'], 'min_samples_split':[0.1,0.2,0.3,0.4,0.5], 
           'min_samples_leaf': [1,2,3,4,5]},
          {'criterion' : ['entropy'], 'splitter':['best','random'], 'min_samples_split':[0.1,0.2,0.3,0.4,0.5],
           'min_samples_leaf': [1,2,3,4,5]} ]
gridsearch = GridSearchCV(estimator = classifier, param_grid = parameters,refit= False, scoring='accuracy', cv=10)
gridsearch = gridsearch.fit(x,y)
optimal_accuracy = gridsearch.best_score_
optimal_parameters = gridsearch.best_params_

但是对于

GridSearchCV

的

param_grid

，您应该为您的分类器传递一个参数名称和值的字典。例如，这样的分类器：

from sklearn.tree import DecisionTreeClassifier
classifier = DecisionTreeClassifier(random_state=0, presort=True, 
                                    criterion='entropy')
classifier = classifier.fit(x_train,y_train)

---

然后，通过

GridSearchCV

找到最佳参数后，您可以将它们应用到您的模型上。

您可以使用GridSearchCV执行此操作。这里有一个例子：

# Applying GridSearch to find best parameters
from sklearn.model_selection import GridSearchCV
parameters = [{ 'criterion' : ['gini'], 'splitter':['best','random'], 'min_samples_split':[0.1,0.2,0.3,0.4,0.5], 
           'min_samples_leaf': [1,2,3,4,5]},
          {'criterion' : ['entropy'], 'splitter':['best','random'], 'min_samples_split':[0.1,0.2,0.3,0.4,0.5],
           'min_samples_leaf': [1,2,3,4,5]} ]
gridsearch = GridSearchCV(estimator = classifier, param_grid = parameters,refit= False, scoring='accuracy', cv=10)
gridsearch = gridsearch.fit(x,y)
optimal_accuracy = gridsearch.best_score_
optimal_parameters = gridsearch.best_params_

但是对于

GridSearchCV

的

param_grid

，您应该为您的分类器传递一个参数名称和值的字典。例如，这样的分类器：

from sklearn.tree import DecisionTreeClassifier
classifier = DecisionTreeClassifier(random_state=0, presort=True, 
                                    criterion='entropy')
classifier = classifier.fit(x_train,y_train)

---

然后，通过

GridSearchCV

找到最佳参数后，将其应用于模型。

@Ben在gridsearch开始时，您可以在参数网格外（如果只有一种分类方法要检查）或参数网格内指定分类器。我只检查了“里面”的箱子

首先，我在参数网格中设置“分类器”键。这是你最终需要要求的关键

param_grid = [
    {'classifier' : [LogisticRegression()],
    ...
    },
    {'classifier' : [RandomForestClassifier()],
    }
]

例如，

gridsearch.best_params.

的结果是：

{'classifier': RandomForestClassifier(criterion='entropy', max_depth=2, n_estimators=2),
 'classifier__criterion': 'entropy',
 'classifier__max_depth': 2,
 'classifier__min_samples_leaf': 1,
 'classifier__n_estimators': 2}

然后询问字典

gridsearch.best_params\u

以获取您称之为

分类器的密钥

clfBest=clfGridSearchBest.best_参数_['classifier']

clfBest：
RandomForestClassifier（标准='熵'，max_depth=2，n_估计器=2）

现在只需调整clfBest。
@Ben在gridsearch开始时，您可以在param_网格外部（如果您只有一种分类方法要检查）或在param_网格内部指定分类器。我只检查了“里面”的箱子

首先，我在参数网格中设置“分类器”键。这是你最终需要要求的关键

param_grid = [
    {'classifier' : [LogisticRegression()],
    ...
    },
    {'classifier' : [RandomForestClassifier()],
    }
]

例如，
gridsearch.best_params.
的结果是：

{'classifier': RandomForestClassifier(criterion='entropy', max_depth=2, n_estimators=2),
 'classifier__criterion': 'entropy',
 'classifier__max_depth': 2,
 'classifier__min_samples_leaf': 1,
 'classifier__n_estimators': 2}

然后询问字典
gridsearch.best_params\u
以获取您称之为
分类器的密钥

clfBest=clfGridSearchBest.best_参数_['classifier']

clfBest：
RandomForestClassifier（标准='熵'，max_depth=2，n_估计器=2）

现在只需调整clfBest。
使用您在问题标题中提到的选项！然后，您甚至不需要创建自定义函数
svc_param_selection（X，y，n）
也不需要在参数之间循环！Scikit学习的目的就是为了这个！使用您在问题标题中提到的！然后，您甚至不需要创建自定义函数
svc_param_selection（X，y，n）
也不需要在参数之间循环！Scikit学习的目的就是为了这个！我如何准确地应用它们？是否有一种优雅的方法来传递参数？如何准确地应用它们？是否有一种优雅的方法来传递参数？