scikit-learn超参数调优 （自动寻找模型最佳参数） 方法

网格搜索（Grid Search）：

• 原理：网格搜索通过预定义的参数组合进行穷举搜索，评估每一种参数组合的性能，选择性能最佳的参数组合。
• 实现：使用GridSearchCV类。
• 示例代码：

  from sklearn.model_selection import GridSearchCV
  from sklearn.svm import SVCparam_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}
  grid_search = GridSearchCV(SVC(), param_grid, cv=5)
  grid_search.fit(X_train, y_train)
  print(grid_search.best_params_)
  

随机搜索（Randomized Search）：

• 原理：随机搜索在预定义的参数空间中随机选择参数组合进行评估，通常比网格搜索更快，特别是在参数空间较大时。
• 实现：使用RandomizedSearchCV类。
• 示例代码：

  from sklearn.model_selection import RandomizedSearchCV
  from sklearn.svm import SVC
  from scipy.stats import uniformparam_dist = {'C': uniform(0.1, 10), 'kernel': ['linear', 'rbf']}
  random_search = RandomizedSearchCV(SVC(), param_dist, n_iter=10, cv=5)
  random_search.fit(X_train, y_train)
  print(random_search.best_params_)
  

贝叶斯优化（Bayesian Optimization）：

• 原理：贝叶斯优化通过构建一个代理模型（如高斯过程）来预测不同参数组合的性能，并选择最有希望的参数组合进行评估。
• 实现：可以使用skopt库中的BayesSearchCV类。
• 示例代码：

  from skopt import BayesSearchCV
  from sklearn.svm import SVCparam_space = {'C': (0.1, 10), 'kernel': ['linear', 'rbf']}
  bayes_search = BayesSearchCV(SVC(), param_space, n_iter=10, cv=5)
  bayes_search.fit(X_train, y_train)
  print(bayes_search.best_params_)
  

遗传算法（Genetic Algorithms）：

• 原理：遗传算法模拟自然选择和遗传过程，通过交叉、变异等操作在参数空间中搜索最优解。
• 实现：可以使用deap库或其他遗传算法库。
• 示例代码：

  from deap import base, creator, tools, algorithms
  from sklearn.svm import SVC
  from sklearn.model_selection import cross_val_scoredef eval_params(params):model = SVC(**params)score = cross_val_score(model, X_train, y_train, cv=5).mean()return score,creator.create("FitnessMax", base.Fitness, weights=(1.0,))
  creator.create("Individual", list, fitness=creator.FitnessMax)toolbox = base.Toolbox()
  toolbox.register("attr_C", random.uniform, 0.1, 10)
  toolbox.register("attr_kernel", random.choice, ['linear', 'rbf'])
  toolbox.register("individual", tools.initCycle, creator.Individual,(toolbox.attr_C, toolbox.attr_kernel), n=1)
  toolbox.register("population", tools.initRepeat, list, toolbox.individual)
  toolbox.register("evaluate", eval_params)
  toolbox.register("mate", tools.cxTwoPoint)
  toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1)
  toolbox.register("select", tools.selTournament, tournsize=3)population = toolbox.population(n=10)
  algorithms.eaSimple(population, toolbox, cxpb=0.5, mutpb=0.2, ngen=10)
  best_individual = tools.selBest(population, 1)[0]
  print(best_individual)