交叉驗證與網格搜尋是機器學習中的兩個非常重要且基本的概念，但是這兩個概念在剛入門的時候並不是非常容易理解與掌握，自己開始學習的時候，對這兩個概念理解的並不到位，現在寫一篇關於交叉驗證與網格搜尋的文章，將這兩個基本的概念做一下梳理。
網格搜尋（grid search）名字非常大氣，但是用簡答的話來說就是你手動的給出乙個模型中你想要改動的所用的引數，程式自動的幫你使用窮舉法來將所用的引數都執行一遍。決策樹中我們常常將最大樹深作為需要調節的引數；adaboost中將弱分類器的數量作為需要調節的引數。
為了確定搜尋引數，也就是手動設定的調節的變數的值中，那個是最好的，這時就需要使用乙個比較理想的評分方式（這個評分方式是根據實際情況來確定的可能是accuracy、f1-score、f-beta、pricise、recall等）
有了好的評分方式，但是只用一次的結果就能說明某組的引數組合比另外的引數組合好嗎？這顯然是不嚴謹的，上小學的時候老師就告訴我們要求平均
網格搜尋與交叉驗證
一.網格搜尋驗證 sklearn.model selection.gridsearchcv estimator,param grid,scoring none,fit params none,n jobs 1,iid true,refit true,cv none,verbose 0,pre dis...
網格搜尋和交叉驗證
在介紹網格搜尋和交叉驗證以前先要介紹下什麼是機器學習的超引數。我們常說的機器學習的引數指的是和特徵相關的係數，超引數指的是對於模型的整體規劃具有重要意義的指標 例如支援向量機中的乘法因子c 用於權衡經驗風險和模型複雜度 當支援向量機核函式是為徑向基rbf核函式，對應的鐘型函式的寬度gamma就是核函...
網格搜尋調參法與交叉驗證
網格搜尋法是指定引數值的一種 窮舉搜尋方法 通過將估計函式的 引數通過 交叉驗證進行優化 來得到最優的學習演算法。將各個引數可能的取值進行 排列組合 列出所有可能的組合結果生成 網格 然後將各組合用於svm 訓練，使用 交叉驗證 對表現進行評估。在擬合函式嘗試了所有的引數組合後，返回乙個合適的分類器...