文章目錄

• 1. 網絡搜索
• • 1.1 簡單網絡搜索
  • 1.2 參數過擬合的風險與驗證集
  • 1.3 帶交叉驗證的網絡搜索
  • • 1.3.1 Python 實現
    • 1.3.2 Sklearn 實現
  • 1.4 網絡搜索可視化
  • • 1.4.1 在網絡空間中的搜索
    • • 1.4.1.1 錯誤的參數設置和可視化
    • 1.4.2 在非網絡空間的搜索
• 參考資料

相關文章：

機器學習 | 目錄

監督學習 | 決策樹之網絡搜索

監督學習 | SVM 之線性支持向量機原理

監督學習 | SVM 之非線性支持向量機原理

監督學習 | SVM 之支持向量機Sklearn實現

1. 網絡搜索

網絡搜索（Grid Search）：一種調參方法，利用窮舉搜索，在所有候選的參數選擇中，通過循環便利，嘗試每一種可能性，表現最好的參數就是最終的結果。其原理就是在數組里找最大值。（為什么叫網格搜索？以有兩個參數的模型為例，參數 a 有 3 種可能，參數 b 有 4 種可能，把所有可能性列出來，可以表示成一個$3\times 4$的表格，其中每個cell就是一個網格，循環過程就像是在每個網格里遍歷、搜索，所以叫grid search）^[1]

1.1 簡單網絡搜索

考慮一個具有 RBF（徑向基函數）核的核 SVM 的例子。

我們可以使用 Python 實現一個簡單的網絡搜索，在 2 個參數上使用 for 循環，對每種參數組合分別訓練并評估一個分類器：

# naive grid search implementation from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.svm import SVCiris = load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target,random_state=0) print("Size of training set: {} size of test set: {}".format(X_train.shape[0], X_test.shape[0]))best_score = 0for gamma in [0.001, 0.01, 0.1, 1, 10, 100]:for C in [0.001, 0.01, 0.1, 1, 10, 100]:# for each combination of parameters, train an SVCsvm = SVC(gamma=gamma, C=C)svm.fit(X_train, y_train)# evaluate the SVC on the test setscore = svm.score(X_test, y_test)# if we got a better score, store the score and parametersif score > best_score:best_score = scorebest_parameters = {'C': C, 'gamma': gamma}print("Best score: {:.2f}".format(best_score)) print("Best parameters: {}".format(best_parameters)) Size of training set: 112 size of test set: 38 Best score: 0.97 Best parameters: {'C': 100, 'gamma': 0.001}

1.2 參數過擬合的風險與驗證集

看到這個結果，是否意味著我們找到了一個在數據集上精度達到 97% 的模型呢？答案是否定的，原因如下：

我們嘗試了許多不同的參數，并選擇了在測試集上精度最高的那個，但這個精度不一定能推廣到新數據上。由于我們使用測試數據繼續調參，所以不能再用它來評估模型的好壞。也就是說調參過程的模型得分不能作為最終得分。我們最開始需要將數據劃分為訓練集和測試集也是因為這個原因。我們需要一個獨立的數據集來進行評估，一個在創建模型時沒有用到的數據集。

為了解決這個問題，一個方法時再次劃分數據，這樣我們得到 3 個數據集：用于構建模型的訓練集（Training Set），用于選擇模型參數的驗證集（Validation Set），用于評估所選參數性能的測試集（Testing Set）。如下圖所示：

利用驗證集選定最佳參數之后，我們可以利用找到的參數設置重新構建一個模型，但是要同時在訓練數據和驗證數據上進行訓練，這樣我們可以利用盡可能多的數據來構建模型。其實現如下所示：

from sklearn.svm import SVC # split data into train+validation set and test set X_trainval, X_test, y_trainval, y_test = train_test_split(iris.data, iris.target, random_state=0) # split train+validation set into training and validation sets X_train, X_valid, y_train, y_valid = train_test_split(X_trainval, y_trainval, random_state=1) print("Size of training set: {} size of validation set: {} size of test set:"" {}\n".format(X_train.shape[0], X_valid.shape[0], X_test.shape[0]))best_score = 0for gamma in [0.001, 0.01, 0.1, 1, 10, 100]:for C in [0.001, 0.01, 0.1, 1, 10, 100]:# for each combination of parameters train an SVCsvm = SVC(gamma=gamma, C=C)svm.fit(X_train, y_train)# evaluate the SVC on the validation setscore = svm.score(X_valid, y_valid)# if we got a better score, store the score and parametersif score > best_score:best_score = scorebest_parameters = {'C': C, 'gamma': gamma}# rebuild a model on the combined training and validation set, # and evaluate it on the test set svm = SVC(**best_parameters) svm.fit(X_trainval, y_trainval) test_score = svm.score(X_test, y_test) print("Best score on validation set: {:.2f}".format(best_score)) print("Best parameters: ", best_parameters) print("Test set score with best parameters: {:.2f}".format(test_score)) Size of training set: 84 size of validation set: 28 size of test set: 38Best score on validation set: 0.96 Best parameters: {'C': 10, 'gamma': 0.001} Test set score with best parameters: 0.92

驗證集上的最高分數時 96%，這比之前略低，可能是因為我們使用了更少的數據來訓練模型（現在 X_train 更小，因為我們對數據集進行了兩次劃分）。但測試集上的分數（這個分數實際反映了模型的泛化能力）更低，為 92%。因此，我們只能聲稱對 92% 的新數據正確分類，而不是我們之前認為的 97%！

1.3 帶交叉驗證的網絡搜索

雖然將數據劃分為訓練集、驗證集和測試集的方法（如上所述）是可行的，也相對可用，但這種方法對數據的劃分相當敏感。為了得到對泛化性能的更好估計，我們可以使用交叉驗證（機器學習 | 模型選擇）來評估每種參數組合的性能，而不是僅將數據單次劃分為訓練集與驗證集。整個過程如下所示：

1.3.1 Python 實現

from sklearn.model_selection import cross_val_scorefor gamma in [0.001, 0.01, 0.1, 1, 10, 100]:for C in [0.001, 0.01, 0.1, 1, 10, 100]:# 對每種參數組合都訓練一個 SVCsvm = SVC(gamma=gamma, C=C)# 執行交叉驗證scores = cross_val_score(svm, X_trainval, y_trainval, cv=5)# 計算交叉驗證平均精度score = np.mean(scores)# 如果得到更高的分數，則保存該分數和對應的參數if score > best_score:best_score = scorebest_parameters = {'C': C, 'gamma': gamma} # 利用訓練集和驗證集得到最優參數重新構建一個模型 svm = SVC(**best_parameters) svm.fit(X_trainval, y_trainval) SVC(C=100, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma=0.01, kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

選擇最優參數的過程如下所示：

交叉驗證是在特定數據集上對給定算法進行評估的一種方法，但它通常與網絡搜算等參數搜索方法結合使用。因此，許多人使用交叉驗證（Cross-validation）這一術語來通俗地指代交叉驗證的網絡搜素。

1.3.2 Sklearn 實現

由于帶交叉驗證的網絡搜索是一種常用的調參方法，因此 sickit-learn 提供了 GridSearchCV `類，它以評估其（estimator）的形式實現了這種方法。要使用 GridSerachCV 類，首先需要用一個字典指定要搜索的參數，然后 GridSearchCV 會執行所有必要的模型擬合。

sklearn.model_selection.GridSearchCV：（Sklearn 官方文檔）

創建網絡搜索器：GridSearchCV(estimator, param_grid, cv, return_train_score=False)

其中 estimator 為想要訓練的模型，param_grid 為想要訓練的參數字典，cv 為交叉驗證的折數。

GridSearchCV 包含的方法：

fit、predict、score：分別進行擬合、預測和得出泛化性能分數

best_params 、 best_score_、best_estimator_：查看最佳參數、所對應的交叉驗證平均分數和其對于的最佳模型

cv_results_：返回包含網絡搜索的結果的字典

字典的鍵是我們想要嘗試的參數設置。如 C 個 gamma 想要嘗試的取值為 0.001、 0.01、 0.1、 1 、10 和 100，可以將其轉化為下面的字典：

param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100],'gamma': [0.001, 0.01, 0.1, 1, 10, 100]} print("Parameter grid:\n{}".format(param_grid)) Parameter grid: {'C': [0.001, 0.01, 0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1, 10, 100]}

我們現在可以使用模型（SVC）、要搜索的參數網絡（param_grid）與要使用的交叉驗證策略（比如 5 折分層交叉驗證）將 GridSearchCV 類實例化：

from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC grid_search = GridSearchCV(SVC(), param_grid, cv=5, return_train_score=True)

GridSearchCV 將使用交叉驗證來代替之前用過的劃分訓練集和驗證集方法。但是，我們仍需要將數據劃分為訓練集和測試集，以避免參數過擬合：

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0)

我們創建的 grid_search 對象的行為就像是一個分類器，我們可以對它叫用標準的 fit、predict 和 score 方法。但我們在調用 fit 時，它會對 param_grid 指定的美中參數組合都運行交叉驗證：

grid_search.fit(X_train, y_train) GridSearchCV(cv=5, error_score='raise-deprecating',estimator=SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3,gamma='auto_deprecated', kernel='rbf', max_iter=-1,probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False),iid='warn', n_jobs=None,param_grid={'C': [0.001, 0.01, 0.1, 1, 10, 100],'gamma': [0.001, 0.01, 0.1, 1, 10, 100]},pre_dispatch='2*n_jobs', refit=True, return_train_score=True,scoring=None, verbose=0)

擬合 GridSearchCV 對象不僅會搜索最佳參數，還會利用得到最佳交叉驗證性能的參數在整個訓練數據集上自動擬合一個新模型。因此，fit 完成的工作相當于 1.3.1 的代碼結果。

GridSerachCV 類提供了一個非常方便的接口，可以用 predic 和 score 方法來訪問重新訓練過的模型。為了評估找到的最佳參數的泛化能力，我們可以在測試集上調用 score：

print("Test set score: {:.2f}".format(grid_search.score(X_test, y_test))) Test set score: 0.97

從結果中看出，我們利用交叉驗證選擇的參數，找到了一個在測試集上精度為 97% 的模型。重要的是，我們沒有使用測試集來選擇參數。我們找到的參數保存在 best_params屬性中，而交叉驗證最佳精度（對于這種參數設置，不同劃分的平均精度）保存在best_score_中:

print("Best parameters: {}".format(grid_search.best_params_)) print("Best cross-validation score: {:.2f}".format(grid_search.best_score_)) Best parameters: {'C': 100, 'gamma': 0.01} Best cross-validation score: 0.97

同樣，注意不要將 best_score_ 與模型在測試集上調用 score 方法計算得到的泛化性能弄混。使用 score 方法（或者對 predict 方法的輸出進行評估）采用的是在整個訓練集上訓練的模型。而best_score_屬性保存的是交叉驗證的平均精度，是在訓練集上進行交叉驗證得到的。

能夠訪問實際找到的模型，這有時是很有幫助的，比如查看系數或特征重要性?？梢允褂?best_estimator_ 屬性來訪問最佳屬性對于的模型，它是在整個訓練集上訓練得到的：

print("Best estimator:\n{}".format(grid_search.best_estimator_)) Best estimator: SVC(C=100, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma=0.01, kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

1.4 網絡搜索可視化

1.4.1 在網絡空間中的搜索

將交叉驗證的結果可視化通常有助于理解模型泛化能力對所搜索參數的依賴關系。由于運行網絡搜索的計算成本相當高，所以通常最好從比較稀疏且較小的網絡開始搜索。然后我們可以檢查交叉驗證網絡搜索的結果，可能也會擴展搜索范圍。

網絡搜索的結果可以在 cv_results_ 屬性中找到，它是一個字典，其中保存了搜索的所有內容。

可以將其轉換為 DataFrame 后再查看：

import pandas as pd # convert to Dataframe results = pd.DataFrame(grid_search.cv_results_) # show the first 5 rows display(results.head()) mean_fit_timestd_fit_timemean_score_timestd_score_timeparam_Cparam_gammaparamssplit0_test_scoresplit1_test_scoresplit2_test_score...mean_test_scorestd_test_scorerank_test_scoresplit0_train_scoresplit1_train_scoresplit2_train_scoresplit3_train_scoresplit4_train_scoremean_train_scorestd_train_score01234

0.001317	0.000458	0.001943	0.001243	0.001	0.001	{'C': 0.001, 'gamma': 0.001}	0.375	0.347826	0.363636	...	0.366071	0.011371	22	0.363636	0.370787	0.366667	0.366667	0.362637	0.366079	0.002852
0.001284	0.000543	0.001329	0.001086	0.001	0.01	{'C': 0.001, 'gamma': 0.01}	0.375	0.347826	0.363636	...	0.366071	0.011371	22	0.363636	0.370787	0.366667	0.366667	0.362637	0.366079	0.002852
0.000582	0.000024	0.000272	0.000020	0.001	0.1	{'C': 0.001, 'gamma': 0.1}	0.375	0.347826	0.363636	...	0.366071	0.011371	22	0.363636	0.370787	0.366667	0.366667	0.362637	0.366079	0.002852
0.000606	0.000021	0.000279	0.000012	0.001	1	{'C': 0.001, 'gamma': 1}	0.375	0.347826	0.363636	...	0.366071	0.011371	22	0.363636	0.370787	0.366667	0.366667	0.362637	0.366079	0.002852
0.000661	0.000032	0.000294	0.000033	0.001	10	{'C': 0.001, 'gamma': 10}	0.375	0.347826	0.363636	...	0.366071	0.011371	22	0.363636	0.370787	0.366667	0.366667	0.362637	0.366079	0.002852

5 rows × 22 columns

results 中的每一行對應一種特定的參數設置（results[‘params’]）。對于每種參數設置，交叉驗證所有劃分的結果都被記錄下來，所有劃分的平均值和標準差也被記錄下來。由于我們搜索的是一個二維參數網絡（C 和 gamma），所以最適合用熱力可視化。我們首先提取平均驗證分數，然后改變分數數組的形狀，使其坐標軸分別對應于 C 和 gamma：

import mglearnscores = np.array(results.mean_test_score).reshape(6, 6)# plot the mean cross-validation scores mglearn.tools.heatmap(scores, xlabel='gamma', xticklabels=param_grid['gamma'],ylabel='C', yticklabels=param_grid['C'], cmap="viridis") <matplotlib.collections.PolyCollection at 0x1c1cc8aeb8>

熱圖中每個點對于運行一次交叉驗證以及一種特定的參數設置。顏色表示交叉驗證的精度：淺色表示高精度，深色表示低精度。

可以看到，SVC 對參數設置非常敏感。對于許多參數這只，精度都在 40% 左右，這是非常糟糕的；對于其他參數設置，精度約為 96%。

我們可以從這張圖中看出一下兩點：

首先，我們調整的參數對于獲得良好的性能非常重要。這兩個參數（C 和 gamma）都很重要，約為調節它們可以將精度從 40% 提高到 96%。

此外，在我們選擇的參數范圍中也可以看到輸出發生了明顯的變化。同樣重要的是要注意，參數的范圍要足夠大：每個參數的最佳取值不能位于圖像的邊界上。

1.4.1.1 錯誤的參數設置和可視化

下面我們來看幾張圖，其結果不那么理想，因為選擇的搜索范圍不合適：

import matplotlib.pyplot as pltfig, axes = plt.subplots(1, 3, figsize=(13, 5))param_grid_linear = {'C': np.linspace(1, 2, 6),'gamma': np.linspace(1, 2, 6)}param_grid_one_log = {'C': np.linspace(1, 2, 6),'gamma': np.logspace(-3, 2, 6)}param_grid_range = {'C': np.logspace(-3, 2, 6),'gamma': np.logspace(-7, -2, 6)}for param_grid, ax in zip([param_grid_linear, param_grid_one_log,param_grid_range], axes):grid_search = GridSearchCV(SVC(), param_grid, cv=5)grid_search.fit(X_train, y_train)scores = grid_search.cv_results_['mean_test_score'].reshape(6, 6)# plot the mean cross-validation scoresscores_image = mglearn.tools.heatmap(scores, xlabel='gamma', ylabel='C', xticklabels=param_grid['gamma'],yticklabels=param_grid['C'], cmap="viridis", ax=ax)plt.colorbar(scores_image, ax=axes.tolist()) <matplotlib.colorbar.Colorbar at 0x1c1d0a64a8>

第一張圖沒有任何變化，整個參數網絡的顏色相同。這種情況，是由參數 C 和 gamma 不正確的縮放以及不正確的范圍造成的。但如果對于不同的參數設置都看不到精度的變化，也可能是因為這個參數根本不重要。通常最好在開始時嘗試非常極端的值，以觀察參數是否會導致精度發生變化。

第二張圖顯示的是垂直條形模式。這表示只有 gamma 的設置對精度有影響。這可能意味著 gamma 參數的搜索范圍是我們所關心的，而 C 參數并不是——也可能意味著 C 參數并不重要。

第三章圖中 C 和 gamma 對于的精度都有變化。但可以看到，在圖像的整個左下角都沒有發生什么有趣的事情。我們在后面的網絡搜索中可以不考慮非常小的值。最佳參數設置出現在右上角。由于最佳參數位于圖像的邊界，所以我們可以認為，在這個邊界之外可能還有更好的取值，我們可能希望改變搜索范圍以包含這一區域內的更多參數。

基于交叉驗證分數來調節參數網絡是非常好的，也是探索不同參數等莪重要性的好方法。但是，不應該在最終測試集上測試不同的參數范圍——前面說過，只有確切知道了想要使用的模型，才能對測試集進行評估。

1.4.2 在非網絡空間的搜索

在某些情況下，嘗試所有參數的所有可能組合（正如 GridSearchCV 所做的那樣）并不是一個好主意。

例如，SVC 有一個 kernel 參數，根據所選擇的 kernel（內核），其他桉樹也是與之相關的。如果 kernal=‘linear’，那么模型是線性的，只會用到 C 參數。如果 kernal=‘rbf’，則需要使用 C 和 gamma 兩個參數（但用不到類似 degree 的其他參數）。在這種情況下，搜索 C、gamma 和 kernel 所有可能的組合沒有意義：如果 kernal=‘linear’，那么 gamma 是用不到的，嘗試 gamma 的不同取值將會浪費時間。為了處理這種“條件”（conditional）參數，GridSearchCV 的 param_grid 可以是字典組成的列表（a list of dictionaries）。列表中的每個字典可以擴展為一個獨立的網絡。包含內核與參數的網絡搜索可能如下所示：

param_grid = [{'kernel': ['rbf'],'C': [0.001, 0.01, 0.1, 1, 10, 100],'gamma': [0.001, 0.01, 0.1, 1, 10, 100]},{'kernel': ['linear'],'C': [0.001, 0.01, 0.1, 1, 10, 100]}] print("List of grids:\n{}".format(param_grid)) List of grids: [{'kernel': ['rbf'], 'C': [0.001, 0.01, 0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1, 10, 100]}, {'kernel': ['linear'], 'C': [0.001, 0.01, 0.1, 1, 10, 100]}]

在第一個網絡里，kernel 參數始終等于’rbf’（注意 kernel 是一個長度為1 的列表），而 C 和 gamma 都是變化的。在第二個網絡里，kernel 參數始終等于’linear’，只有 C 是變化的。下面為來應用這個更加復雜的參數搜索：

grid_search = GridSearchCV(SVC(), param_grid, cv=5, return_train_score=True) grid_search.fit(X_train, y_train) print("Best parameters: {}".format(grid_search.best_params_)) print("Best cross-validation score: {:.2f}".format(grid_search.best_score_)) Best parameters: {'C': 100, 'gamma': 0.01, 'kernel': 'rbf'} Best cross-validation score: 0.97//anaconda3/lib/python3.7/site-packages/sklearn/model_selection/_search.py:813: DeprecationWarning: The default of the `iid` parameter will change from True to False in version 0.22 and will be removed in 0.24. This will change numeric results when test-set sizes are unequal.DeprecationWarning)

我們再次查看 cv_results_。正如所料，如果 kernel 等于’linear’，那么只有 C 是變化的：

results = pd.DataFrame(grid_search.cv_results_) display(results.T) 0123456789...32333435363738394041mean_fit_timestd_fit_timemean_score_timestd_score_timeparam_Cparam_gammaparam_kernelparamssplit0_test_scoresplit1_test_scoresplit2_test_scoresplit3_test_scoresplit4_test_scoremean_test_scorestd_test_scorerank_test_scoresplit0_train_scoresplit1_train_scoresplit2_train_scoresplit3_train_scoresplit4_train_scoremean_train_scorestd_train_score

0.00216327	0.000975418	0.000895834	0.000586128	0.00068078	0.000671005	0.000685596	0.000640059	0.000607777	0.000593805	...	0.000373602	0.000664568	0.00153198	0.000837708	0.000766277	0.000468493	0.000435066	0.000450134	0.000438309	0.000494576
0.00140655	0.000492319	0.000402465	7.89536e-06	9.49278e-05	6.87857e-05	0.000189589	2.10245e-05	4.78872e-05	3.52042e-05	...	1.16059e-05	0.000257769	0.000392493	1.99011e-05	0.000322841	6.2482e-06	5.08608e-05	6.50786e-05	5.02317e-05	9.95536e-05
0.00120344	0.00066967	0.000573587	0.000267696	0.000307798	0.000287628	0.000324154	0.000369263	0.00028758	0.000271845	...	0.000237846	0.000820303	0.000544834	0.000293589	0.000356293	0.000244951	0.000246334	0.00025301	0.000280857	0.000261641
0.000699682	0.000710382	0.000403534	6.3643e-06	6.30153e-05	2.14702e-05	6.90788e-05	0.000185553	3.8449e-05	1.27472e-05	...	1.7688e-06	0.00111757	0.000110992	4.59797e-05	0.000161759	1.7688e-06	8.52646e-06	3.69834e-05	8.52978e-05	2.57724e-05
0.001	0.001	0.001	0.001	0.001	0.001	0.01	0.01	0.01	0.01	...	100	100	100	100	0.001	0.01	0.1	1	10	100
0.001	0.01	0.1	1	10	100	0.001	0.01	0.1	1	...	0.1	1	10	100	NaN	NaN	NaN	NaN	NaN	NaN
rbf	rbf	rbf	rbf	rbf	rbf	rbf	rbf	rbf	rbf	...	rbf	rbf	rbf	rbf	linear	linear	linear	linear	linear	linear
{'C': 0.001, 'gamma': 0.001, 'kernel': 'rbf'}	{'C': 0.001, 'gamma': 0.01, 'kernel': 'rbf'}	{'C': 0.001, 'gamma': 0.1, 'kernel': 'rbf'}	{'C': 0.001, 'gamma': 1, 'kernel': 'rbf'}	{'C': 0.001, 'gamma': 10, 'kernel': 'rbf'}	{'C': 0.001, 'gamma': 100, 'kernel': 'rbf'}	{'C': 0.01, 'gamma': 0.001, 'kernel': 'rbf'}	{'C': 0.01, 'gamma': 0.01, 'kernel': 'rbf'}	{'C': 0.01, 'gamma': 0.1, 'kernel': 'rbf'}	{'C': 0.01, 'gamma': 1, 'kernel': 'rbf'}	...	{'C': 100, 'gamma': 0.1, 'kernel': 'rbf'}	{'C': 100, 'gamma': 1, 'kernel': 'rbf'}	{'C': 100, 'gamma': 10, 'kernel': 'rbf'}	{'C': 100, 'gamma': 100, 'kernel': 'rbf'}	{'C': 0.001, 'kernel': 'linear'}	{'C': 0.01, 'kernel': 'linear'}	{'C': 0.1, 'kernel': 'linear'}	{'C': 1, 'kernel': 'linear'}	{'C': 10, 'kernel': 'linear'}	{'C': 100, 'kernel': 'linear'}
0.375	0.375	0.375	0.375	0.375	0.375	0.375	0.375	0.375	0.375	...	0.958333	0.916667	0.875	0.541667	0.375	0.916667	0.958333	1	0.958333	0.958333
0.347826	0.347826	0.347826	0.347826	0.347826	0.347826	0.347826	0.347826	0.347826	0.347826	...	1	1	0.956522	0.521739	0.347826	0.826087	0.913043	0.956522	1	1
0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	...	1	1	1	0.590909	0.363636	0.818182	1	1	1	1
0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	...	0.863636	0.863636	0.818182	0.590909	0.363636	0.772727	0.909091	0.954545	0.909091	0.909091
0.380952	0.380952	0.380952	0.380952	0.380952	0.380952	0.380952	0.380952	0.380952	0.380952	...	0.952381	0.952381	0.952381	0.619048	0.380952	0.904762	0.952381	0.952381	0.952381	0.952381
0.366071	0.366071	0.366071	0.366071	0.366071	0.366071	0.366071	0.366071	0.366071	0.366071	...	0.955357	0.946429	0.919643	0.571429	0.366071	0.848214	0.946429	0.973214	0.964286	0.964286
0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	0.0113708	...	0.0495662	0.0519227	0.0647906	0.0356525	0.0113708	0.0547783	0.0332185	0.0223995	0.0338387	0.0338387
27	27	27	27	27	27	27	27	27	27	...	9	11	17	24	27	21	11	1	3	3
0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	0.363636	...	0.988636	1	1	1	0.363636	0.886364	0.965909	0.988636	0.988636	0.988636
0.370787	0.370787	0.370787	0.370787	0.370787	0.370787	0.370787	0.370787	0.370787	0.370787	...	0.977528	1	1	1	0.370787	0.88764	0.977528	0.977528	0.988764	0.988764
0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	...	0.977778	1	1	1	0.366667	0.866667	0.944444	0.977778	0.977778	0.988889
0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	0.366667	...	1	1	1	1	0.366667	0.755556	0.977778	0.988889	0.988889	1
0.362637	0.362637	0.362637	0.362637	0.362637	0.362637	0.362637	0.362637	0.362637	0.362637	...	1	1	1	1	0.362637	0.879121	0.967033	0.989011	1	1
0.366079	0.366079	0.366079	0.366079	0.366079	0.366079	0.366079	0.366079	0.366079	0.366079	...	0.988788	1	1	1	0.366079	0.855069	0.966538	0.984368	0.988813	0.993258
0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	0.00285176	...	0.00999451	0	0	0	0.00285176	0.0503114	0.0121316	0.00548507	0.00702801	0.00550551

23 rows × 42 columns

參考資料

[1] April15 .調參必備—GridSearch網格搜索[EB/OL].https://www.cnblogs.com/ysugyl/p/8711205.html, 2018-04-03.

[2] Andreas C.Muller, Sarah Guido, 張亮. Python 機器學習基礎教程[M]. 北京: 人民郵電出版社, 2018: 200-212.

總結

以上是生活随笔為你收集整理的机器学习 | 网络搜索及可视化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。