鸢尾花分类之网格搜索与交叉验证

小编有话说：其实网格搜索与交叉验证已经被封装到方法中，只需要我们在合适的场景中去运用即可，同时原理我们要搞清楚，这样会使我们能够更加灵活的使用。

#导入鸢尾花数据
from sklearn.datasets import load_iris
#导入划分数据集方法
from  sklearn.model_selection import train_test_split
#导入标准化方法
from sklearn.preprocessing import StandardScaler
#导入knn算法模块
from sklearn.neighbors import KNeighborsClassifier
#导入网格搜索模块
from sklearn.model_selection import GridSearchCV
def knn():
    """
    通过knn对鸢尾花进行分类
    :return: None
    """
    # 评1,获取数据
    iris = load_iris()
    # 2,数据集划分
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
    # 3,特征工程：标准化
    tansfer = StandardScaler()
    x_train = tansfer.fit_transform(x_train)
    x_test = tansfer.transform(x_test)
    # 4,knn预测流程
    k = KNeighborsClassifier()
    # k.fit(x_train,y_train)
    # # 5,模型估
    # #方法一  直接比对真实值与预测值
    # predict = k.predict(x_test)
    # print("predict: \n" , predict)
    # print("比对真实值与预测值:\n", y_test == predict)
    # #方法二  计算准确率
    # score = k.score(x_test,y_test)
    # print(score)
    #网格搜索
    #构造一些k值的参数
    param = {"n_neighbors" : [3,5,10,7]}
    #实例化
    ss = GridSearchCV(k,param_grid=param,cv=2)
    ss.fit(x_train,y_train)
    #预测准确率
    print("在测试集上的准确率：", ss.score(x_test,y_test))

    print("在交叉验证中最好的结果：", ss.best_score_)
    print("选择的最好的模型：", ss.best_estimator_)
    print("每个超参数每次交叉验证的结果：", ss.cv_results_)

    return None
if __name__ == "__main__":
    knn()

实验结果：