<p>SVM有一些超参数(比如使用什么样的C或gamma值),找到最佳超参数是一项不容易解决的任务。要查找est超参数,您可以创建一个超参数网格,然后尝试它们的所有组合(因此,此方法称为<strong>Gridsearch</strong>)</p>
<p><strong>GridSearchCV</strong>采用一个字典,描述可以在模型上尝试训练的参数。参数网格定义为一个字典,其中键是参数,值是要测试的设置。
您可以使用代码lin=ke this来查找最佳超参数</p>
<p>用于导入网格搜索</p>
<pre><code>from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
model = SVC()
</code></pre>
<p>定义参数范围</p>
<pre><code>param_grid = {'C': [0.1, 1, 10, 100, 1000],
'gamma': [1, 0.1, 0.01, 0.001, 0.0001],
'kernel': ['rbf']}
grid = GridSearchCV(SVC(), param_grid, refit = True, verbose = 3)
</code></pre>
<p>网格搜索模型的拟合</p>
<pre><code>grid.fit(X_train, y_train)
</code></pre>
<p>更多信息(参考资料):<a href="https://www.geeksforgeeks.org/svm-hyperparameter-tuning-using-gridsearchcv-ml/" rel="nofollow noreferrer">SVM Hyperparameter Tuning using GridSearchCV | ML</a></p>
<p><a href="https://medium.com/analytics-vidhya/hyperparameter-tuning-an-svm-a-demonstration-using-hyperparameter-tuning-cross-validation-on-96b05db54e5b" rel="nofollow noreferrer">HyperParameter tuning an SVM — a Demonstration using HyperParameter tuning</a></p>