上一次用了验证曲线来找最优超参数。

用验证曲线 validation curve 选择超参数

今天来看看网格搜索(grid search)，也是一种常用的找最优超参数的算法。

网格搜索实际上就是暴力搜索：
首先为想要调参的参数设定一组候选值，然后网格搜索会穷举各种参数组合，根据设定的评分机制找到最好的那一组设置。

以支持向量机分类器 SVC 为例，用 GridSearchCV 进行调参：

from sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import GridSearchCVfrom sklearn.metrics import classification_reportfrom sklearn.svm import SVC

1. 导入数据集，分成 train 和 test 集：

digits = datasets.load_digits()

n_samples = len(digits.images)
X = digits.images.reshape((n_samples, -1))
y = digits.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.5, random_state=0)

2. 备选的参数搭配有下面两组，并分别设定一定的候选值：
例如我们用下面两个 grids：
kernel＝'rbf', gamma, 'C'
kernel＝'linear', 'C'

tuned_parameters = [{'kernel': ['rbf'], 'gamma': [1e-3, 1e-4],                     'C': [1, 10, 100, 1000]},
                    {'kernel': ['linear'], 'C': [1, 10, 100, 1000]}]

3. 定义评分方法为：

scores = ['precision', 'recall']

4. 调用 GridSearchCV，

将 SVC(), tuned_parameters, cv=5, 还有 scoring 传递进去，
用训练集训练这个学习器 clf，
再调用 clf.best_params_ 就能直接得到最好的参数搭配结果，

例如，在 precision 下，
返回最好的参数设置是：{'C': 10, 'gamma': 0.001, 'kernel': 'rbf'}

还可以通过 clf.cv_results_ 的 'params'，'mean_test_score'，看一下具体的参数间不同数值的组合后得到的分数是多少：
结果中可以看到最佳的组合的分数为：0.988 (+/-0.017)

还可以通过 classification_report 打印在测试集上的预测结果 clf.predict(X_test) 与真实值 y_test 的分数：

for score in scores:    print("# Tuning hyper-parameters for %s" % score)    print()     # 调用 GridSearchCV，将 SVC(), tuned_parameters, cv=5, 还有 scoring 传递进去，
    clf = GridSearchCV(SVC(), tuned_parameters, cv=5,
                       scoring='%s_macro' % score)    # 用训练集训练这个学习器 clf
    clf.fit(X_train, y_train)    print("Best parameters set found on development set:")    print()    
    # 再调用 clf.best_params_ 就能直接得到最好的参数搭配结果
    print(clf.best_params_)    
    print()    print("Grid scores on development set:")    print()
    means = clf.cv_results_['mean_test_score']
    stds = clf.cv_results_['std_test_score']    
    # 看一下具体的参数间不同数值的组合后得到的分数是多少
    for mean, std, params in zip(means, stds, clf.cv_results_['params']):        print("%0.3f (+/-%0.03f) for %r"
              % (mean, std * 2, params))              
    print()    print("Detailed classification report:")    print()    print("The model is trained on the full development set.")    print("The scores are computed on the full evaluation set.")    print()
    y_true, y_pred = y_test, clf.predict(X_test)    
    # 打印在测试集上的预测结果与真实值的分数
    print(classification_report(y_true, y_pred))    
    print()