GridSearchCV 热身
在视频中我们看到，增大 RBF 核的超参数 gamma 会提高训练准确率。在本练习中，您将使用 scikit-learn 的 GridSearchCV 搜索使交叉验证准确率最大的 gamma。一个二分类版本的手写数字数据集已加载到变量 X 和 y 中，任务是预测一幅图像是否为 "2"。
本练习是课程的一部分
Python 中的线性分类器
练习说明
- 创建一个
GridSearchCV对象。 - 调用
fit()方法，根据交叉验证准确率选择最佳的gamma值。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)