網路搜尋 - 目錄

• 1 說明
• 2 程式碼使用方法
• 3 核心程式碼說明
• 3.1 交叉驗證 TODO
• 3.2 使用網路搜尋獲得最優的引數
• 3.2.1 邏輯迴歸
• 4 問題

1 說明

在做邏輯迴歸的最初就有嘗試做網路搜尋，找到最佳的特徵組合
程式碼連結： https://github.com/spareribs/kaggleSpareribs/blob/master/Overdue/ml/code/sklearn_gcv.py

2 程式碼使用方法

sklearn_gcv.py 預設使用Logistic Regression 做示例

1. 【必須】先執行 features 中的 base.py 先把資料處理好 [PS:需要根據實際情況修改]
2. 【按需修改】修改 clf_name 需要訓練的模型，param_grid 模型引數組合，scoring模型評分方式
3. 【必須】再通過 code 中的 sklearn_gcv.py 搜尋模型的最佳配置

3 核心程式碼說明

3.1 交叉驗證 TODO

3.2 使用網路搜尋獲得最優的引數

3.2.1 邏輯迴歸

param_grid = {
    'C': [0.05, 0.1, 0.5, 1.5],
    'penalty': ['l1'
 
, 'l2']
}
grid = GridSearchCV(clf, param_grid, scoring='f1_micro')
grid.fit(x_train, y_train)

print("最優引數：{0}".format(grid.best_params_))
print("最好的分數{0}".format(grid.best_score_))

• clf：網路搜尋的模型
• param_grid：模型支援的引數
• scoring：模型評分方式
• grid.best_params_：網路搜尋等到的最佳分數
• grid.best_score_：最佳模型得到的最優結果

4 問題

• 如果 param_grid 裡面的引數存在衝突的情況改如何處理
  例如SVM

param_grid = {
    'C': [0.05, 0.1, 0.5, 1.5],
    'penalty': ['l2','l1'],
    'dual': [True]
}

• 整理文件1：k折交叉驗證
• 整理文件2：各模型引數的作用
• 整理文件3：GridSearchCV詳細的使用方法