在机器学习中,模型的选择和调优是一个重要的步骤。网格搜索(GridSearchCV)是一种常用的方法,它通过遍历给定的参数网格来寻找最优的模型参数。在scikit-learn库中,可以通过设置评分参数(scoring)来使用多个评估指标同时进行网格搜索。下面是一个使用决策树分类器(DecisionTreeClassifier)和多个评估指标进行网格搜索的示例。
首先,需要导入必要的库。这包括numpy、matplotlib、scikit-learn中的一些模块,如make_hastie_10_2、accuracy_score、make_scorer、GridSearchCV和DecisionTreeClassifier。
import numpy as np
from matplotlib import pyplot as plt
from sklearn.datasets import make_hastie_10_2
from sklearn.metrics import accuracy_score, make_scorer
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier
接下来,生成一个数据集,并定义评分参数。在这个例子中,使用AUC和准确率(Accuracy)作为评估指标。
X, y = make_hastie_10_2(n_samples=8000, random_state=42)
scoring = {
"AUC": "roc_auc",
"Accuracy": make_scorer(accuracy_score)
}
然后,设置网格搜索的参数,包括决策树的最小样本分割数(min_samples_split)的范围,并指定使用AUC作为refit属性,以便在最佳参数设置下重新训练模型。
gs = GridSearchCV(
DecisionTreeClassifier(random_state=42),
param_grid={
"min_samples_split": range(2, 403, 20)
},
scoring=scoring,
refit="AUC",
n_jobs=2,
return_train_score=True
)
gs.fit(X, y)
网格搜索完成后,可以通过gs.cv_results_获取每个评分器的得分,并绘制结果。
plt.figure(figsize=(13, 13))
plt.title("GridSearchCV evaluating using multiple scorers simultaneously", fontsize=16)
plt.xlabel("min_samples_split")
plt.ylabel("Score")
ax = plt.gca()
ax.set_xlim(0, 402)
ax.set_ylim(0.73, 1)
X_axis = np.array(results["param_min_samples_split"].data, dtype=float)
for scorer, color in zip(sorted(scoring), ["g", "k"]):
for sample, style in (("train", "--"), ("test", "-")):
sample_score_mean = results["mean_%s_%s" % (sample, scorer)]
sample_score_std = results["std_%s_%s" % (sample, scorer)]
ax.fill_between(X_axis, sample_score_mean - sample_score_std, sample_score_mean + sample_score_std, alpha=0.1 if sample == "test" else 0, color=color)
ax.plot(X_axis, sample_score_mean, style, color=color, alpha=1 if sample == "test" else 0.7, label="%s (%s)" % (scorer, sample))
best_index = np.nonzero(results["rank_test_%s" % scorer] == 1)[0][0]
best_score = results["mean_test_%s" % scorer][best_index]
ax.plot([X_axis[best_index], ] * 2, [0, best_score], linestyle="-.", color=color, marker="x", markeredgewidth=3, ms=8)
ax.annotate("%0.2f" % best_score, (X_axis[best_index], best_score + 0.005))
plt.legend(loc="best")
plt.grid(False)
plt.show()
通过这个示例,可以看到如何使用scikit-learn的GridSearchCV进行多指标网格搜索,并使用决策树分类器进行模型选择和评估。这种方法可以帮助找到最优的模型参数,从而提高模型的性能。
在实际应用中,可以根据具体问题选择合适的评估指标,并调整参数网格的范围。此外,还可以尝试使用其他类型的模型,如支持向量机、随机森林等,以找到最适合特定问题的模型。