帶有特定驗證數據的網格搜索

Question

我正在尋找一種方法來在不使用K-fold驗證的情況下對sklearn中的超參數進行網格搜索。即，我希望我的網格在特定數據集（X1，y1在下面的示例中）上進行訓練，並根據特定的外延數據集（以下示例中的X2，y2）進行驗證。

X1，Y2 =列車數據
X2，Y2 =驗證數據

clf_ = SVC(kernel='rbf',cache_size=1000) 
Cs = [1,10.0,50,100.0,] 
Gammas = [ 0.4,0.42,0.44,0.46,0.48,0.5,0.52,0.54,0.56] 
clf = GridSearchCV(clf_,dict(C=Cs,gamma=Gammas), 
       cv=???, # validate on X2,y2 
       n_jobs=8,verbose=10) 
clf.fit(X1, y1) 

Answer 1

clf = GridSearchCV(clf_,dict(C=Cs,gamma=Gammas),cv=???, # validate on X2,y2,n_jobs=8,verbose=10) 

1. n_jobs> 1沒有任何意義。如果n_jobs = -1，則意味着處理將使用您計算機上的所有內核。如果是1，則只使用一個核心。

2. 如果cv = 5，它將爲每次迭代運行5次交叉驗證。

3. 在迭代的情況下，總數爲9（Cs的大小）* 5（伽瑪的大小）* 5（CV值）

4. 如果使用交叉驗證，對於重新檢查模型的數據，沒有任何意義。如果您對演出沒有信心，您可以增加簡歷以獲得更好的體型。

這將是非常時間SVM尤其是消費，我寧願建議您使用RandomSearchCV它允許你給迭代的次數你希望你的模型來隨機選擇。