Grid Search

准备数据

from sklearn import datasets

digits = datasets.load_digits()
X = digits.data
y = digits.target

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)

使用网格搜索

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

param_grid = [
    {
        'weights':['uniform'],
        'n_neighbors': [i for i in range(1, 11)]
    },
    {   
        'weights':['distance'],
        'n_neighbors': [i for i in range(1, 11)],
        'p': [i for i in range(1, 6)]
    }
]

knn_clf = KNeighborsClassifier()
grid_search = GridSearchCV(knn_clf, param_grid)

%%time
grid_search.fit(X_train, y_train)

输出结果：

察看运行结果

输入：grid_search.best_score_
输出：0.9853862212943633

输入：grid_search.best_params_ 输出：{'n_neighbors': 3, 'p': 3, 'weights': 'distance'}

注意1：这里的搜索结果与4-5中自己编写的网格搜索得到的结果不同，是因为评价方法不同，不用care
注意2：以_结尾的参考表示为计算得到的参数，而不是用户输入的参数

使用运行结果建立新的模型

knn_clf = grid_search.best_estimator_
knn_clf.score(X_test, y_test)

输出结果： 0.9833333333333333

其它GridSearchCV参数

• njobs:使用多核计算
• verbose：中间过程的打印级别

更多的距离定义