इलेक्ट्रिक में ग्रिड सर्च और क्रॉस सत्यापन का संयोजन

Question

समर्थन वेक्टर मशीन परिणामों में सुधार के लिए मुझे बेहतर पैरामीटर और क्रॉस सत्यापन को खोजने के लिए ग्रिड खोज का उपयोग करना होगा। मुझे यकीन नहीं है कि उन्हें विज्ञान-सीखने में कैसे संयोजित किया जाए। ग्रिड खोज खोज सबसे अच्छा मानकों (http://scikit-learn.org/stable/modules/grid_search.html) और पार सत्यापन बचने overfitting (http://scikit-learn.org/dev/modules/cross_validation.html)

#GRID SEARCH 
from sklearn import grid_search 
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]} 
svr = svm.SVC() 
clf = grid_search.GridSearchCV(svr, parameters) 
#print(clf.fit(X, Y)) 

#CROSS VALIDATION 
from sklearn import cross_validation 
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, Y, test_size=0.4, random_state=0) 
clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train) 

print("crossvalidation") 
print(clf.score(X_test, y_test)) 
clf = svm.SVC(kernel='linear', C=1) 
scores = cross_validation.cross_val_score(clf, X, Y, cv=3) 
print(scores) 

परिणाम:

GridSearchCV(cv=None, 
    estimator=SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, 
kernel=rbf, probability=False, shrinking=True, tol=0.001, verbose=False), 
    estimator__C=1.0, estimator__cache_size=200, 
    estimator__class_weight=None, estimator__coef0=0.0, 
    estimator__degree=3, estimator__gamma=0.0, estimator__kernel=rbf, 
    estimator__probability=False, estimator__shrinking=True, 
    estimator__tol=0.001, estimator__verbose=False, fit_params={}, 
    iid=True, loss_func=None, n_jobs=1, 
    param_grid={'kernel': ('linear', 'rbf'), 'C': [1, 10]}, 
    pre_dispatch=2*n_jobs, refit=True, score_func=None, verbose=0) 

crossvalidation 
0.0 
[ 0.11111111 0.11111111 0.  ] 

Answer 1

आप, पहले एक विकास/मूल्यांकन विभाजित करना चाहिए विकास पर ग्रिड खोज चलाने अंत में मूल्यांकन भाग पर एक अद्वितीय अंतिम स्कोर का हिस्सा लें और मापें:

the documentation में an example है।