Существует ли простой/уже существующий способ выполнить поиск по сетке в scikit-learn, а затем автоматически вернуть k самых эффективных моделей или автоматически усреднить их результаты? Я намерен таким образом попытаться уменьшить переобучение. Я еще не нашел ничего связанного с этим.
РЕДАКТИРОВАТЬ: чтобы уточнить: я знаю о GridSearch sklearn, я ищу возможность выполнить поиск по сетке, а затем вернуться k самых эффективных моделей или среднее значение по ним, а не просто возвращение лучшей отдельной модели.
Существует ли простой/уже существующий способ выполнить поиск по сетке в scikit-learn, а затем автоматически вернуть k самых эффективных моделей или автоматически усреднить их результаты? Я намерен таким образом попытаться уменьшить переобучение. Я еще не нашел ничего связанного с этим.
РЕДАКТИРОВАТЬ: чтобы уточнить: я знаю о GridSearch sklearn, я ищу возможность выполнить поиск по сетке, а затем вернуться k самых эффективных моделей или среднее значение по ним, а не просто возвращение лучшей отдельной модели.
Я использую поиск сетки, чтобы соответствовать параметрам модели машинного обучения. -Лалерин.org/stable/modules/generated/sklearn.grid_search.gridsearchcv.html)
from sklearn import svm, grid_search, datasets, cross_validation
Я хочу улучшить параметры этого gridsearchcv для ring -регрессора .
def Grid_Search_CV_RFR(X_train, y_train):
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import ShuffleSplit
from sklearn.ensemble import...
Я хочу улучшить параметры этого gridsearchcv для ring -регрессора .
def Grid_Search_CV_RFR(X_train, y_train):
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import ShuffleSplit
from sklearn.ensemble import...
У меня есть обучающий набор, состоящий из 39 соединений. Вот краткий код расчета LOO q2 для SVR:
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import make_scorer, r2_score
from sklearn.svm import SVR
clf_svr = SVR(C=1.0,...
Мобильная версия