Python 如何复制GridSearchCV结果？

使用

GridSearchCV

，我尝试最大化

logisticsregression分类器的
AUC

clf_log = LogisticRegression(C=1, random_state=0).fit(X_train, y_train)

from sklearn.model_selection import GridSearchCV

grid_params = {'penalty': ['l1','l2'], 'C': [0.001,0.01,0.1,1,10,100], 'max_iter' : [100]} 
gs = GridSearchCV(clf_log, grid_params, scoring='roc_auc', cv=5)
gs.fit(X_train, y_train)`

我得到了
gs.最佳估计值和
gs.最佳参数的
0.7630647186779661
，分别如下：

<< LogisticRegression(C=10, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=0, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False) >>

{'C': 10, 'max_iter': 100, 'penalty': 'l2'}

>
{'C'：10，'最大值'：100，'惩罚'：'l2'}

然而，当我将这些参数重新引入我原来的
clf_log
时，我只得到
AUC
的
0.5359918677005525
。我遗漏了什么（我想：简历部分）？如何获得和复制相同的结果？谢谢
 网格搜索CV使用K倍交叉验证，即当您使用
fit
方法时，它将数据分为测试集和训练集（CV=5表示测试集是数据集的1/5），并执行
CV
次（本例中为5次）。因此，您不应该使用
X\u-train
和
y\u-train
，而是使用
X
和
y
（假设您不需要第三个验证集），因为拆分是在内部完成的

gs.fit(X, y)

在此之后，假设您的最佳参数是
{C'：10，'max_iter'：100，'poulding'：'l2'}
。现在说你想应用这个。如果要复制GridSearchCV的输出，则需要再次使用k折叠交叉验证（如果使用
train\u test\u split
，则结果会略有不同）

这样你应该得到同样的AUC。您可以参考此
网格搜索CV使用K折叠交叉验证，即，当您使用
fit
方法时，它将数据分为测试集和训练集（CV=5表示测试集是数据集的1/5），并执行
CV
次（在本例中为5次）。因此，您不应该使用
X\u-train
和
y\u-train
，而是使用
X
和
y
（假设您不需要第三个验证集），因为拆分是在内部完成的

gs.fit(X, y)

在此之后，假设您的最佳参数是
{C'：10，'max_iter'：100，'poulding'：'l2'}
。现在说你想应用这个。如果要复制GridSearchCV的输出，则需要再次使用k折叠交叉验证（如果使用
train\u test\u split
，则结果会略有不同）

这样你应该得到同样的AUC。您可以参考此
从哪里获得0.53 AUC？那是在你执行X_测试的时候吗？因为据我所知，GridSearchCV正在应用k-fold验证，只查看您的培训数据。因此，可能您拟合过度，或者您的测试数据集与您的训练数据集有很大不同？0.53使用相同的训练数据。但是，如果您要评估分类器，通常必须根据从未通过的测试数据进行评估。你的简历是否合适？我看到你在你的Logistic回归中应用了一个拟合，但是你也必须调用gs.ft（），因为它将执行所有的交叉验证。这将帮助我，你和其他人试图得到一个类似问题的答案。你从哪里得到0.53 AUC？那是在你执行X_测试的时候吗？因为据我所知，GridSearchCV正在应用k-fold验证，只查看您的培训数据。因此，可能您拟合过度，或者您的测试数据集与您的训练数据集有很大不同？0.53使用相同的训练数据。但是，如果您要评估分类器，通常必须根据从未通过的测试数据进行评估。你的简历是否合适？我看到你在你的Logistic回归中应用了一个拟合，但是你也必须调用gs.ft（），因为它将执行所有的交叉验证。这将有助于我、你和其他人尝试获得一个类似问题的答案。感谢-澄清一下，这是否意味着即使在
CV K-fold
（5）下，模型也只是单独测试了5次，而不是通过累积5次来改进单个模型？模型训练了5次，每次使用不同的训练和测试分割，最后的分数是所有5个分数的平均值。这样做是为了使最终分数（准确性等）不会被特定的测试和训练分割所掩盖。不，单一模型没有累积改进，但仍建议使用。我建议在YouTube上观看关于k-fold交叉验证的教程以获得更多的澄清。感谢澄清，这是否意味着即使在
CV k-fold
（5）下，该模型也只是单独测试了5次，而不是通过累计训练5次来改进单个模型？该模型训练了5次，每次都有不同的训练和测试分数，最终分数是所有5个分数的平均值。这样做是为了使最终分数（准确性等）不会被特定的测试和训练分割所掩盖。不，单一模型没有累积改进，但仍建议使用。我建议在YouTube上观看关于k折叠交叉验证的教程，以获得更多澄清。