开始使用免费开始使用

分析最佳结果

归根结底，我们最关心的是网格搜索中表现最好的那个"方格"。幸运的是，Scikit Learn 的 gridSearchCv 对象提供了若干属性，可直接给出关于最佳方格（或 cv_results_ 中那一行）的关键信息。

您将要查看的三个属性是：

  • best_score_ —— 最佳方格对应的分数（此处为 ROC_AUC）。
  • best_index_ —— cv_results_ 中包含最佳方格信息的那一行的索引。
  • best_params_ —— 产生最佳分数的参数字典，例如 'max_depth': 10。

网格搜索对象 grid_rf_class 已可用。

第 6 行已基于 cv_results_ 为您创建了一个数据框（cv_results_df）。这将帮助您按索引访问结果。

本练习是课程的一部分

Python 中的超参数调优

查看课程

练习说明

  • 从 grid_rf_class 中最佳方格提取并打印 ROC_AUC 分数。
  • 通过对 cv_results_df 进行索引，从最佳行创建一个变量。
  • 通过从 grid_rf_class 的最佳方格中提取 n_estimators 参数，创建变量 best_n_estimators，并将其打印出来。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
编辑并运行代码