自媒体专业宁波网站推广优化外包公司

sklearn.model_selection.GridSearchCV 是 scikit-learn 中用于超参数调优的核心工具，通过结合交叉验证和网格搜索实现模型参数的自动化优化。以下是详细介绍：

---

一、功能概述

GridSearchCV 在指定参数网格上穷举所有可能的超参数组合，通过交叉验证评估每组参数的性能，最终选择最优参数组合。其核心价值在于：

1. 自动化调参：替代手动参数调试，提升效率3。
2. 交叉验证支持：通过 K 折交叉验证减少过拟合风险，评估结果更可靠。

---

二、核心参数说明

参数	类型	作用
estimator	估计器对象	需调参的模型（如 SVC()、RandomForestClassifier()）
param_grid	字典或列表	参数名称（字符串）为键，候选参数值列表为值（如 {'C': [1,10], 'kernel': ['linear','rbf']}）
scoring	字符串/可调用对象	评估指标（如 'accuracy'、'roc_auc'），默认使用模型的 score() 方法1013
cv	int/交叉验证生成器	交叉验证折数（默认 5 折），或自定义数据划分策略28
n_jobs	int	并行任务数（-1 表示使用所有 CPU 核）

---

三、主要属性

调用 fit() 方法后可通过以下属性获取结果：

• best_score_：交叉验证中的最高得分。
• best_params_：最优参数组合（如 {'C': 10, 'kernel': 'rbf'}）。
• cv_results_：详细结果字典，包含每组参数的平均得分、标准差等。

---

四、工作流程

1. 数据划分：原始数据分为训练集和测试集，训练集进一步通过 K 折交叉验证划分为子集。
2. 参数组合生成：根据 param_grid 生成所有可能的超参数组合（如 2×2 网格生成 4 组参数。
3. 交叉验证评估：每组参数在 K 折数据上训练并验证，计算平均得分。
4. 最优模型选择：选择平均得分最高的参数组合，最终在完整训练集上训练模型8。

五、代码演示

1、手动调参（循环调参）

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris#加载数据集
iris = load_iris()
x = iris.data
y = iris.target#划分数据集
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=233, stratify=y)#分类
from sklearn.neighbors import KNeighborsClassifier#设置默认参数
neigh = KNeighborsClassifier(n_neighbors=3,weights='distance',#'uniform',p = 2
)
#适配参数
neigh.fit(x_train, y_train)
#评估模型
neigh.score(x_test, y_test) #结果：0.9777777777777777#自动设参（主要遍历每个参数，找出最佳结果的参数）
best_score = -1
best_n  = -1
best_weight = ''
best_p = -1for n in range(1, 20):for weight in ['uniform', 'distance']:for p in range(1, 7):neigh = KNeighborsClassifier(n_neighbors=n,weights=weight,p = p)neigh.fit(x_train, y_train)score = neigh.score(x_test, y_test)if score > best_score:best_score = scorebest_n = nbest_weight = weightbest_p = pprint("n_neighbors:", best_n)
print("weights:", best_weight)
print("p:", best_p)
print("score:", best_score)#结果：n_neighbors: 5
#weights: uniform
#p: 2
#score: 1.0

2、KNN-sklearn.model_selection.GridSearchCV调参

import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris#加载数据集
iris=load_iris()
x=iris.data
y=iris.target#划分数据集（7:3）
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=233, stratify=y)#设置参数范围
params = {'n_neighbors': [n for n in range(1, 20)],'weights': ['uniform', 'distance'],'p': [p for p in range(1, 7)]
}#定义调参对象
grid = GridSearchCV(estimator=KNeighborsClassifier(),param_grid=params,n_jobs=-1
)#适配参数
grid.fit(x_train, y_train)#打印最佳参数
print(grid.best_params_)#输出预测值
print(grid.best_estimator_.predict(x_test))#模型评估
print(grid.best_estimator_.score(x_test, y_test))