使用 GridSearchCV 进行超参数调优
现在您已经了解如何通过网格搜索进行超参数调优，接下来将构建一个具有最优超参数的 lasso 回归模型，用 diabetes_df 数据集中的特征来预测血糖水平。
X_train、X_test、y_train 和 y_test 已为您预加载。一个 KFold() 对象已创建并保存为 kf，同时还为您准备了名为 lasso 的 lasso 回归模型。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 导入
GridSearchCV。 - 为
"alpha"设置参数网格，使用np.linspace()生成从0.00001到1的 20 个等距数值。 - 调用
GridSearchCV()，传入lasso、参数网格，并将cv设为kf。 - 将网格搜索对象拟合到训练数据，以执行交叉验证的网格搜索。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import GridSearchCV
____
# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}
# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)
# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))