模型预测笔记(三)：通过交叉验证网格搜索机器学习的最优参数

文章目录

- 网络搜索
- - 介绍
  - 步骤
  - 参数
  - 代码实现

网络搜索

介绍

网格搜索（Grid Search）是一种超参数优化方法，用于选择最佳的模型超参数组合。在机器学习中，超参数是在训练模型之前设置的参数，无法通过模型学习得到。网格搜索通过尝试所有可能的超参数组合，并使用交叉验证来评估每个组合的性能，从而确定最佳的超参数组合。

步骤

网格搜索的步骤如下：

定义要调整的超参数范围：确定要调整的每个超参数的可能取值范围。例如，学习率、正则化参数等。
创建参数网格：将每个超参数的可能取值组合成一个参数网格。
定义评估指标：选择一个评估指标来衡量每个超参数组合的性能。例如，准确率、均方误差等。
构建模型和交叉验证：选择一个机器学习模型，并定义交叉验证策略，将数据集分成训练集和验证集。
执行网格搜索：对于每个超参数组合，在交叉验证的每个训练集上训练模型，并在验证集上评估模型性能。
选择最佳超参数组合：根据评估指标的结果，选择具有最佳性能的超参数组合。
用最佳超参数训练模型：使用最佳超参数组合在整个训练数据集上重新训练模型。

网格搜索的优点是能够系统地尝试不同的超参数组合，找到最佳的模型性能。然而，由于需要尝试所有可能的组合，网格搜索的计算成本较高，尤其是超参数的数量较多时。因此，对于大型数据集和复杂模型，网格搜索可能会变得非常耗时。

为了减少计算成本，可以使用随机搜索（Randomized Search）等其他超参数优化方法，或者使用启发式方法来选择最佳超参数组合。

参数

GridSearchCV的参数包括：

estimator：要使用的模型或者估计器对象。
param_grid：一个字典或者列表，包含要进行网格搜索的参数和对应的取值范围。
scoring：评估模型性能的指标，可以是字符串（使用模型的内置评估指标）或者可调用对象（自定义评估指标）。
cv：交叉验证的折数或者交叉验证迭代器。
n_jobs：并行运行的作业数量。-1表示使用所有可用的处理器。
verbose：控制详细程度的整数值。0表示不输出任何信息，大于1表示输出详细的信息。
refit：如果为True（默认值），则在找到最佳参数后，使用最佳参数重新拟合整个数据集。
return_train_score：如果为True，则同时返回训练集上的得分。
error_score：当模型在某些参数组合下发生错误时，用于返回的分数。可以设置为’raise’（抛出错误）或者数字（返回指定的分数）。
verbose：控制详细程度的整数值。0表示不输出任何信息，大于1表示输出详细的信息。

注意：

在GridSearchCV中，scoring参数可以选择以下评分指标：

回归问题：

‘explained_variance’：可解释方差
‘neg_mean_absolute_error’：负平均绝对误差
‘neg_mean_squared_error’：负均方误差
‘neg_mean_squared_log_error’：负对数均方误差
‘neg_median_absolute_error’：负中位数绝对误差
‘r2’：R^2决定系数

二分类问题：

‘accuracy’：准确率
‘balanced_accuracy’：平衡准确率
‘average_precision’：平均精确率
‘f1’：F1得分
‘precision’：精确率
‘recall’：召回率
‘roc_auc’：ROC曲线下的面积
多分类问题：
‘accuracy’：准确率
‘balanced_accuracy’：平衡准确率
‘average_precision’：平均精确率
‘f1_micro’：微观平均F1得分
‘f1_macro’：宏观平均F1得分
‘precision_micro’：微观平均精确率
‘precision_macro’：宏观平均精确率
‘recall_micro’：微观平均召回率
‘recall_macro’：宏观平均召回率
‘roc_auc_ovr’：基于一对多的ROC曲线下的面积

请注意，不同问题类型和评估指标之间的兼容性可能会有所不同。

5折交叉验证就是把数据集分成5份，然后进行5此测试，如model1就是将第一折fold1的数据作为测试集，其余的四份作为数据集。最后每个model都计算出来一个准确度accuracy，求平均后作为此验证集的精确度。

代码实现

#调用网格搜索和决策树
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_report, roc_curve, auc
parameters = {'max_depth':[3, 5, 7, 9], 'min_samples_leaf': [1, 2, 3, 4]}# 选择两个超参数 树的深度max_depth和叶子的最小值min_samples_leafclf = GridSearchCV(DecisionTreeClassifier(), parameters, cv=3, scoring='accuracy')# 进行网格搜索得到最优参数组合
clf.fit(X_train, y_train) #通过有最优参数组合的最优模型进行训练print('最优参数：', clf.best_params_)
print('验证集最高得分：', clf.best_score_)
# 获取最优模型
best_model = clf.best_estimator_
print('测试集上准确率：', best_model.score(X_test, y_test))# 得到预测概率
y_prob_DT = clf.predict_proba(X_test)[:, 1]# 得到预测标签
y_pred_DT = clf.predict(X_test)# 得到分类报告
print(classification_report(y_pred = y_pred_DT, y_true = y_test))# 绘制ROC图
fpr, tpr, threshold = roc_curve(y_score = y_prob_DT, y_true = y_test)
print("AUC值", auc(fpr, tpr))
plt.plot(fpr, tpr,"r-")
plt.plot([0, 1], [0, 1],"b-")
plt.xlable("FPR")
plt.ylable("TPR")
plt.title("ROC Curve")# 输出结果文件
result = pd.DataFrame()
result["load_ID"] = pd.read_csv("***.csv")["**ID"]
result["predict_labels"] = y_pred_DT
result.to_csv("result.csv", index = False)# 特征重要性评估
best_DT = clf.best_estimator_
best_DT.fit(X_train, y_train)# 重要性绘制
plt.figure(figsize(8, 6))
pd.Series(best_DT.feature_importances_, index=X_train.columns).sort_values().plot(kind="barh")