python - 交叉验证网格搜索背后的理论

Question

感谢堆栈溢出的帮助，我成功地为我的决策树模型实现了带有交叉验证的网格搜索。

dtc = DecisionTreeClassifier()

parameter_grid = {'splitter': ['best', 'random'], 
        'min_samples_split': [15, 16, 17, 18, 19,20, 21, 22, 23, 24, 25,],
        'min_samples_leaf': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10,],
        'criterion': ['gini', 'entropy'],
        'random_state': [0]}

cross_validation = StratifiedKFold(n_splits=10)

grid_search = GridSearchCV(dtc, param_grid=parameter_grid, cv=cross_validation)

grid_search.fit(x, y)

我的问题涉及其背后的理论。

我知道 k 折交叉验证将我的整个数据集拆分为 k 个训练数据集和相应的验证数据集。

然后，我假设我的代码会执行类似的操作:

1. 对 k 折叠的每个训练数据集应用网格搜索 k 次。

2. 每个k折叠的网格搜索的最佳参数应用于相应的验证数据集。

3. 针对 k 折叠的每个验证数据集计算验证误差

到目前为止这是否正确？

使用 grid_search.best_score_ 和 grid_search.best_params_ 获得的值是什么？这些是步骤 3 中的最佳验证错误 (grid_search.best_score_) 以及网格搜索的相应最佳值 (grid_search.best_params_) 还是某个平均值？

非常欢迎任何帮助或澄清!

Answer 1

对于网格搜索的每种可能的组合(在您的情况下为 2*11*10*2*1=440)，训练数据集被分割 k 次，并且 k 上的平均误差正在计算每个超参数组合的验证集。平均误差最低的组合是 grid_search.best_params_。

例如:

{'splitter': 'best', 
        'min_samples_split': 20,
        'min_samples_leaf': 9,
        'criterion':  'entropy',
        'random_state': 0}