我們上面已經初步得出模型，並且效果看起來還不錯，所以我們現在應該下想辦法進一步優化這乙個模型了。
我們在調參的時候需要將資料集分為三部分，分別是：訓練集、驗證集以及測試集。訓練集用於模型的訓練，然後我們根據驗證集的結果去調整出泛化能力較強的模型，最後通過測試集得出模型的泛化能力。如果只把資料分為訓練集和測試集，也許你能調出對於測試集最合適的引數，但模型的泛化能力也許並沒有在測試集上表現的那麼強。
由於鳶尾屬植物的資料集並不大，如果將資料分為三部分的話，訓練資料就太少了，可能提高不了模型的效能。在此只是簡單的介紹sklearn中的調參方法。
model_seletion裡面還提供自動調參的函式，以格搜尋（gridsearchcv）為例。
from sklearn.model_selection import gridsearchcv
clf = logisticregression()
gs = gridsearchcv(clf, parameters)
gs.fit(data, label)
gs.best_params_
**
sklearn超引數搜尋
1，超引數 在模型訓練中，有些引數不能通過對資料進行學習得到，這種引數叫做超引數。比如，神經網路的層數，每層的神經元數量等。from sklearn.model selection import gridsearchcv from sklearn import svm,datasets defgs ...
sklearn學習 sklearn學習的相關資料
0 scikit learn官網 1 使用sklearn進行整合學習 理論 2 使用sklearn進行整合學習 實踐 3 sklearn學習筆記之開始 4 誰動了我的特徵？sklearn特徵轉換行為全記錄 5 使用sklearn優雅地進行資料探勘 備註 作者是個大神 6 sklearn多個例項 7 ...
機器學習 超引數搜尋
模型中除了在訓練中自己更新的引數，需要在預先設定的引數稱為超引數。大概有如下 bachsize,epoch,learniing rate,四種主要策略可用於搜尋最佳配置 1.babysitting，又名試錯 trial error 2.網格搜尋 grid search 3.隨機搜尋 random s...