机器学习：模型选择与调优

模型选择与调优

1、交叉验证

2、网格搜索

交叉验证（为了让被评估的模型更加准确可信）

之前把数据分为训练集和测试集，交叉验证为了让模型更加可信，所有这时候我们会把训练集分为训练集和验证集，在训练集中训练，然后通过验证集看预测模型的精度。

然后求四个模型的准确率的平均值
这里分成了四等分，就是4折交叉验证

交叉验证过程：

交叉验证：将拿到的数据，分为训练和验证集。以下图为例：将数据分
成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同
的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉
验证。

网格搜索 （调参数）

超参数搜索-网格搜索：

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），
这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组
合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建
立模型。

超参数搜索-网格搜索API：sklearn.model_selection.GridSearchCV

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
对估计器的指定参数值进行详尽搜索

estimator：估计器对象
param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
cv：指定几折交叉验证
fit：输入训练数据
score：准确率
结果分析：
best_score_:在交叉验证中测试的最好结果
best_estimator_：最好的参数模型
cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果

例子：k近邻算法就行超参数网格验证

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
def knncls():
    """k-近邻预测用户签到位置"""
    #读取数据
    data=pd.read_csv("文件路径")
    print(data.head(10))
    #处理数据
    #1.缩小数据 query（）查询数据筛选
    data=data.query("x > 1.0 & x < 1.25 & y >2.5 & y < 2.75")
    #2.处理时间的数据 unit转换格式默认s
    time_value=pd.to_datetime(data['time'],unit='s')
    print(time_value)

    #把日期格式转换成字典格式
    time_value=pd.DatetimeIndex(time_value)
    #3.构造一些特征
    data['day']=time_value.day
    data['hour']=time_value.hour
    data['weekday']=time_value.weekday

    #把原来时间戳删除 label参数 删除只需要传入特征标签名字 按照列删除
    data=data.drop(['time'],axis=1)
    print(data)

    #把签到数量少于n个的目标位置删除    place_count 索引
    place_count = data.groupby('place_id').aggregate(np.count_nonzero)

    tf = place_count[place_count.row_id > 3].reset_index()

    data = data[data['place_id'].isin(tf.place_id)]

    #取出数据中的特征值和目标值 y目标值
    y=data['place_id']
    x=data.drop(['place_id'],axis=1)
    #进行数据的分割训练集和测试集
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)

    #特征工程（标准化）
    std=StandardScaler()

    #对测试集和训练集的特征值进行标准化
    x_train=std.fit_transform(x_train)
    x_test=std.fit_transform(x_test)

    #进行算法流程 #超参数
    knn=KNeighborsClassifier()

    #构造一些参数的值进行搜索
    param={"n_neighbors":[3,5,10]}

    #进行网格搜索
    gc=GridSearchCV(knn,param_grid=param,cv=2)

    gc.fit(x_train,y_train)

    #预测准确率
    print("在测试集中的准确率：",gc.score(x_test,y_test))

    print("在交叉验证中最好的结果：",gc.best_score_)

    print("选择最好的模型是：",gc.best_estimator_)

    print("每个超参数每次交叉验证的结果：",gc.cv_results_)

    return None
if __name__ == '__main__':

    knncls()

这里我们可以看到k近邻算法中最有参数是10,在我们给的3,5,10中。