Python机器学习手册：从数据预处理到深度学习

问题描述

通过搜索一系列学习算法及其超参数来选择最佳模型。

解决方案

为候选的学习算法及其超参数创建一个字典：

讨论

在前两节中，我们通过搜索学习算法的候选超参数值找到了最佳模型。

但是，如果不知道应该使用哪种学习算法该怎么办呢？最新版本的scikit-learn允许将学习算法作为搜索空间的一部分。在本节的解决方案中，我们定义了一个包含两种学习算法的搜索空间：逻辑回归和随机森林。每种学习算法都有自己的超参数，并且我们采用classifier__[hyperparameter_name]这种格式定义超参数的候选值。例如，对于逻辑回归，为了定义正则化超参数空间C以及可能的正则化惩罚penalty的候选值集合，创建如下字典：

对于随机森林的超参数，我们也创建了一个类似的字典：

在搜索完成之后，可以使用best_estimator_来查看最佳模型及其超参数：

和前面两节一样，完成模型选择之后就可以使用这个最佳模型进行预测：