构建用于调整超参数的网格搜索答案

【问题标题】：Build a grid search for tuning hyperparameters构建用于调整超参数的网格搜索
【发布时间】：2021-02-07 23:14:24
【问题描述】：

我需要构建一个网格搜索来调整超参数。假设有两个范围：lambda = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1] 和 sigma = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]。如何构建自定义网格搜索？我创建了一个自定义 SVM 类，称为 CustomSVM()，具有 fit()、predict() 和 score() 方法。我想在该类上创建一个搜索网格，看看哪些参数最适合。

我想过

for x in lambda:
   for y in sigma: 
      ...

但我不知道如何继续。

【问题讨论】：

您需要提供一个最小的示例代码，我们可以将其复制并粘贴到单个文件中并运行它
@TuanTran 我创建了一个小代码来展示我对这个问题的看法。它有帮助吗？我只是不知道如何构建网格搜索来为我的CustomSVM() 挑选最好的 sigma 和 lambda

标签： python scikit-learn grid-search hyperparameters

【解决方案1】：

Sklearn 有一个网格搜索类，你能用this?

from sklearn.model_selection import GridSearchCV

parameters = {
            'lambda': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1], 
            'sigma': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]}

svm_gs = GridSearchCV(customSVM, parameters)
svm_gs.fit(your.data, your.target)

我不明白为什么您的for loop 解决方案不能正常工作；您可以参考 GridSearchCV 文档以获取想法。

【讨论】：

我知道，但我不能使用 GridSearchCV
@David 不使用 GridSearchCV 的原因是什么？显示的解决方案是实现目标的干净和 Pythonic（sklearnish）方式。