上一次用了验证曲线来找最优超参数。
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 datasets
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
from 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()
相关阅读：
为什么要用交叉验证
用学习曲线 learning curve 来判别过拟合问题
用验证曲线 validation curve 选择超参数
推荐阅读 历史技术博文链接汇总
http://www.jianshu.com/p/28f02bb59fe5
也许可以找到你想要的：
[入门问题][TensorFlow][深度学习][强化学习][神经网络][机器学习][自然语言处理][聊天机器人]
