GridSearchCV(estimatorparam_gridscoring=Nonefit_params=Nonen_jobs=1iid=Truerefit=Truecv=Noneverbose=0pre_dispatch='2*n_jobs'error_score='raise'return_train_score=True)

Parameters:

  estimator:所使用的分类器,或者pipeline

  param_grid:值为字典或者列表,即需要最优化的参数的取值

  scoring:准确度评价标准,默认None,这时需要使用score函数;或者如scoring='roc_auc',根据所选模型不同,评价准则不同。字符串(函数名),或是可调用对象,需要其函数签名形如:scorer(estimator, X, y);如果是None,则使用estimator的误差估计函数。

  n_jobs:并行数,int:个数,-1:跟CPU核数一致, 1:默认值。

  pre_dispatch:指定总共分发的并行任务数。当n_jobs大于1时,数据将在每个运行点进行复制,这可能导致OOM,而设置pre_dispatch参数,则可以预先划分总共的job数量,使数据最多被复制pre_dispatch次

  iid:默认True,为True时,默认为各个样本fold概率分布一致,误差估计为所有样本之和,而非各个fold的平均。

  cv:交叉验证参数,默认None,使用三折交叉验证。指定fold数量,默认为3,也可以是yield训练/测试数据的生成器。

  refit:默认为True,程序将会以交叉验证训练集得到的最佳参数,重新对所有可用的训练集与开发集进行,作为最终用于性能评估的最佳模型参数。即在搜索参数结束后,用最佳参数结果再次fit一遍全部数据集。

  verbose:日志冗长度,int:冗长度,0:不输出训练过程,1:偶尔输出,>1:对每个子模型都输出。

Attributes:
  best_estimator_:效果最好的分类器

  best_score_:成员提供优化过程期间观察到的最好的评分

  best_params_:描述了已取得最佳结果的参数的组合

  best_index_:对应于最佳候选参数设置的索引(cv_results_数组的索引)。

Methods:

  decision_function:使用找到的参数最好的分类器调用decision_function。

  fit(Xy=Nonegroups=None**fit_params):训练

  get_params(deep=True):获取这个估计器的参数。

  predict(X):用找到的最佳参数调用预估器。(直接预测每个样本属于哪一个类别)

  predict_log_proda(X):用找到的最佳参数调用预估器。(得到每个测试集样本在每一个类别的得分取log情况)

  predict_proba(X):用找到的最佳参数调用预估器。(得到每个测试集样本在每一个类别的得分情况)

  score(Xy=None):返回给定数据上的得分,如果预估器已经选出最优的分类器。

  transform(X):调用最优分类器进行对X的转换。

 

 

再写写最近的感受吧:最近一直在忙着秋招,情绪不是很高涨,(自己是数学专业的,自学的Python以及计算机的其他知识,不想当老师,也因为各种原因不想考研)因为没有看到希望,整天都在看书,刷题,希望能够得到某一位公司的垂青!!!一会要去参加一场宣讲会,希望会有好的收获吧!!!希望未来可期,虽然我不是学计算机的,但是我有学习能力,我肯努力呀!希望有人能够看到我!!!

分类:

技术点:

相关文章: