构建用于调整超参数的网格搜索

Question

我需要建立一个网格搜索来优化超参数。提供两个范围：lambda = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]和sigma = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]。如何构建自定义网格搜索？我已经创建了一个名为CustomSVM()的定制SVM类，其中包含fit()、predict()和score()方法。我想在这个类上做一个搜索网格，看看哪些参数最适合

我想

for x in lambda:
   for y in sigma: 
      ...

但我不知道该怎么做

Answer 1

Sklearn有一个网格搜索类，您可以使用this?

from sklearn.model_selection import GridSearchCV

parameters = {
            'lambda': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1], 
            'sigma': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]}

svm_gs = GridSearchCV(customSVM, parameters)
svm_gs.fit(your.data, your.target)

我不明白为什么你的for loop解决方案不起作用；您可以参考GridSearchCV文档了解想法