以K近邻算法为例，使用网格搜索GridSearchCV优化模型最佳参数

参数优化

在之前的文章以K近邻算法为例，使用交叉验证优化模型最佳参数中，我们使用验证曲线（validation_curve）去优化K近邻算法中的最优参数K。但是验证曲线有一个缺点，就是一次只能优化一个参数，如果要同时优化多个参数，就需要寻找其他方法了。针对这种多参数优化的场景，本文将介绍一种新的解决方案：网格搜索（GridSearchCV）。

网格搜索

网格搜索的逻辑很简单粗暴，就是遍历所有参数的组合，分别计算性能指标，然后将性能指标最好的参数组合，输出给用户。

代码实现

自编代码

假设想确定K近邻算法中，最优的K值（1≤K≤31）和最优的权重函数（uniform或distance，具体含义参考sklearn.neighbors.KNeighborsClassifier）。可以实现的直接方案是：分别设置权重函数为uniform和distance，基于验证曲线得到各自的最佳K值后，再比较这两个K值，最终得到最佳的参数组合。
以下代码实现了上述方案。

from sklearn.model_selection import validation_curve
from sklearn.neighbors import KNeighborsClassifier
import numpy as np


def grid_search_by_self(X, y, cv):
    
    # 初始uniform为最优参数，通过validation_curve获取最佳K
    best_weights = 'uniform'
    model_1 = KNeighborsClassifier(weights='uniform')
    train_scores, test_scores = validation_curve(model_1, X, y, cv=cv,
                                                 param_name='n_neighbors', param_range=range(1, 31), scoring='f1')
    test_scores_mean = np.mean(test_scores, axis=1)
    best_k = np.argmax(test_scores_mean) + 1
    best_score = np.max(test_scores_mean)

    model_2 = KNeighborsClassifier(weights='distance')
    train_scores, test_scores = validation_curve(model_2, X, y, cv=cv,
                                                 param_name='n_neighbors', param_range=range(1, 31), scoring='f1')
    test_scores_mean = np.mean(test_scores, axis=1)
    best_score_2 = np.max(test_scores_mean)
    
    # 比较distance和uniform形式的best_score，取更优参数
    if best_score_2 > best_score:
        best_k = np.argmax(test_scores_mean) + 1
        best_score = best_score_2
        best_weights = 'distance'

    return best_k, best_weights, best_score

如果调用sklearn工具包，可以直接使用GridSearchCV函数，即可实现网格搜索的功能。

sklearn

from sklearn.model_selection import GridSearchCV


def grid_search_by_sklearn(X, y, model, param_grid, cv):
    grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=cv, scoring='f1')  # 使用f1作为性能指标
    grid.fit(X, y)
    print('网格搜索-最佳度量值:', grid.best_score_)  # 输出最优指标
    print('网格搜索-最佳参数：', grid.best_params_)  # 输出最优指标对应的参数值

代码验证

本节通过一个实例来测试自编代码和skearn代码的计算结果。此处使用了cancer数据集。

from sklearn.neighbors import KNeighborsClassifier


if __name__ == '__main__':
    _, X, y = breast_cancer()

    k_range = range(1, 31)  # 优化参数k的取值范围
    weight_options = ['uniform', 'distance']  # 代估参数权重的取值范围。uniform为统一取权值，distance表示距离倒数取权值
    param_grid = {'n_neighbors': k_range, 'weights': weight_options}  # 定义优化参数字典，字典中的key值必须是分类算法的函数的参数名

    knn = KNeighborsClassifier(n_neighbors=5)
    cv = 5

    best_params_by_sklearn,  scores_by_sklearn = grid_search_by_sklearn(X, y, knn, param_grid, cv)
    print('best_params_by_sklearn: {}, best_weights_by_self: {}, scores_by_sklearn: {}'.
          format(best_params_by_sklearn['n_neighbors'], best_params_by_sklearn['weights'], scores_by_sklearn))
    best_k_by_self, best_weights_by_self, scores_by_self = grid_search_by_self(X, y, cv)
    print('best_k_by_self: {}, best_weights_by_self: {}, scores_by_self: {}'.
          format(best_k_by_self, best_weights_by_self, scores_by_self))

以下为运行程序后的输出结果。显然，两者是完全相同的。

best_params_by_sklearn: 13, best_weights_by_self: uniform, scores_by_sklearn: 0.9483476865509534
best_k_by_self: 13, best_weights_by_self: uniform, scores_by_self: 0.9483476865509534