Python 使用GridSearchCV进行超参数优化

我有一个K近邻分类器，你可以在下面看到。据我所知，GridSearchCV正在用1-20之间的不同k值测试模型。当我做y_pred=knn_grid_cv.predict（x_test）时，我得到了一组y预测，但是k值（1-20之间）是用来获得这些y预测的？这是GridSearchCV中得分最高的k值吗

x=football_df["Pace"].values.reshape(-1, 1)
print(x)
y=football_df["Position"].values.reshape(-1, 1)  

x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.4,random_state=42)

param_grid={"n_neighbors":np.arange(1,20)}  
knn = KNeighborsClassifier()
knn_grid_cv = GridSearchCV(knn, param_grid, cv=5)
knn_grid_cv.fit(x_train,y_train)
y_pred=knn_grid_cv.predict(x_test)
print(y_pred)

---

你说得对。您定义

param_grid

的方式将测试20个不同模型的性能，每个模型的

n_邻居的值不同。选择最佳模型作为交叉验证平均得分最高的模型。对于
KNeighborsClassifier
，使用的默认分数度量是平均准确度

在你的例子中，这将是所有五个分割中平均精度最高的模型

要查看选择的
n_neights
的值，只需执行以下操作：

#选项1：打印最佳分类器的参数
打印（knn\u网格\u cv.best\u estimator\u.get\u params（））
#选项2：打印所有模型组合的结果
作为pd进口熊猫
res=pd.数据帧（knn\u网格\u cv.cv\u结果）
打印（res）
谢谢你的澄清。奇怪的是，9被确定为最佳n_邻居。但是，当我在没有GridsearchCV且K=3的情况下单独使用KNN模型（相同的序列测试分割）时，我的y\U预测结果会更好，这可能是因为您在测试性能时没有交叉验证。这种情况也可能发生，因为在声明
knn
或将数据拆分为训练集和测试集时，没有设置
random_状态。基于邻居的模型的一个大问题是，它们非常依赖于训练数据，在从一个数据集切换到另一个数据集时，往往会发生剧烈的变化。@atyahoo请参见。我想知道它怎么会碰巧在这里问了几个问题，得到了几个答案，却一个也没接受。