获取最优模型与最终评估是什么？

关键要点

• 交叉验证可用于手动评估不同参数下模型的泛化性能。
• 网格搜索（GridSearchCV）能自动化遍历参数组合并基于交叉验证选择表现较好的组合。
• GridSearchCV在找到表现较好的参数后，默认会用全部训练数据重新训练一个最终模型。
• 最终模型需要通过独立的测试集进行评估，以确保评估结果的公正性。
• 手动调参有助于理解原理，而网格搜索在工程实践中更高效。
• 参数网格的设计需考虑计算成本，候选值过多会导致计算量增大。

怎么选 / 怎么做

1. 参数调优：使用交叉验证（如cross_val_score）或网格搜索（GridSearchCV）在训练集上寻找表现较好的参数组合。
2. 重新训练：使用选定的参数组合，在整个训练集上训练最终模型。
3. 最终评估：在模型从未见过的独立测试集上评估最终模型的性能。

常见问题

什么是网格搜索？

自动化遍历参数组合，通过交叉验证寻找表现较好的参数。

GridSearchCV找到参数后怎么做？

默认用全部训练数据重新训练模型，可通过.best_estimator_获取。

为什么需要独立的测试集？

用于模拟真实环境，公正评估模型的最终性能。