Python GridSearchCV拟合后是否返回最佳估计值？

假设我们使用GridSearch调整SVM，如下所示：

算法=SVM（）
参数={'kernel'：['rbf'，'sigmoid']，'C'：[0.1,1,10]}
grid=GridSearchCV（算法、参数）
网格拟合（X，y）

然后，您希望在交叉值得分中使用最佳拟合参数/估计器。我的问题是，此时哪个模型是网格？这是表现最好的吗？换句话说，我们能做到吗

cross_val_分数=cross_val_分数（网格，X=X，y=y）

或者我们应该使用

cross_val_分数=cross_val_分数（grid.best_估计器，X=X，y=y）

---

当我同时运行这两个程序时，我发现它们返回的分数并不相同，因此我很好奇这里的正确方法是什么。（我假设使用

最佳估计值

）这又提出了另一个问题，即：仅仅使用

网格

作为模型使用什么？第一个？

在安装

GridSearchCV

后，您不需要

交叉评分。它已经具有允许您访问交叉验证分数的属性<代码>cv_结果

为您提供所有信息。如果只想查看特定估计器的结果，可以使用

best_index

属性对此进行索引

cv_results = pd.DataFrame(grid.cv_results_)
cv_results.iloc[grid.best_index_]
mean_fit_time                        0.00046916
std_fit_time                         1.3785e-05
mean_score_time                     0.000251055
std_score_time                      1.19038e-05
param_C                                      10
param_kernel                                rbf
params               {'C': 10, 'kernel': 'rbf'}
split0_test_score                      0.966667
split1_test_score                             1
split2_test_score                      0.966667
split3_test_score                      0.966667
split4_test_score                             1
mean_test_score                            0.98
std_test_score                        0.0163299
rank_test_score                               1
Name: 5, dtype: object

---

在拟合的

GridSearchCV

上调用的大多数方法都使用最佳模型（

grid.predict（…）

获取最佳模型的预测）。对于

估计器

，情况并非如此。你所看到的差异可能来自于此

cross_val_score

再次拟合，但这次根据

grid.estimator

进行评分，但不是

grid.best_estimator

所以，为了确保我得到了正确的答案：GridSearch将测试所有拆分上的所有参数？假设有四个参数组合，k=5，那么对于每个分割，所有四个组合都会被测试？比较所有5次拆分的平均结果，并返回最佳结果。在您的示例中，split0。。。split4只是最佳模型的分割结果？这是否也意味着超参数在分割之间可能不同？对于所有这些问题，我很抱歉，但文档非常简短。@BramVanroy对于您的第一个问题，是的。对于每个参数组合（kernel=rbf，C=0.1；kernel=rbf，C=1，…，kernel=sigmoid，C=10），默认情况下将进行5倍交叉验证。在我的示例中，对于6个参数组合中的一个（对于最佳组合），您可以看到5次拆分的结果。它特定于找到的最佳参数组合（C=10，kernel=rbf）。这5个分割的超参数是相同的。谢谢你的澄清。关于最后一点：它们总是一样的吗？我这样问是因为属性

best_params_uu

会让我怀疑，对于所有拆分，总是使用相同的超参数。在哪里使用？其过程如下：对于kernel:rbf，C:0.1进行5倍交叉验证，保存结果（所有5次分割上此特定参数组合的分数）。接下来，对于kernel:rbf，C:1进行5倍交叉验证并保存结果。对所有人重复以上步骤，然后选择最好的。其他参数的结果仍然可用（5个其他参数组合*5倍），但如果调用

grid.predict（）

它将使用给出最佳平均分数的结果。