sklearn.model_selection.RandomizedSearchCV¶

class sklearn.model_selection.RandomizedSearchCV（estimator，param_distributions，*，n_iter = 10，评分= None，n_jobs = None，iid ='deprecated'，refit = True，cv = None，verbose = 0，pre_dispatch ='2 * n_jobs'，random_state = None，error_score = nan，return_train_score = False ）

[源码]

随机搜索超参数。

RandomizedSearchCV可以实现“fit”和“score”方法。如果在所使用的估计器中实现了“predict”，“predict_proba”，“decision_function”，“transform”和“inverse_transform”，则RandomizedSearchCV也可以实现它们。

用于应用这些方法的估计器的参数，是通过在参数设置上进行交叉验证的搜索来优化的。

与GridSearchCV相比，并非所有参数值都经过试验，而是从指定的分布中采样了固定数量的参数设置。尝试的参数设置数由n_iter给出。

如果所有参数均以列表形式显示，则执行采样而无需替换。如果给定至少一个参数作为分布，则使用替换抽样。强烈建议对连续参数使用连续分布。

在用户指南中阅读更多内容。

版本0.14中的新功能。

属性	说明
cv_results_	dict of numpy (masked) ndarrays 将键作为列标题和值作为列的字典，将其导入pandas DataFrame。 例如下面给定的表 用字典cv_results_表示： 注意 该键'params'用于存储所有候选参数的参数设置字典列表。 mean_fit_time，std_fit_time，mean_score_time和 std_score_time的单位都是秒。 对于多指标评估，所有评分器的得分都可以在字典cv_results_中以该评分器名字（'_<scorer_name>'）结尾的键获得，而不是'_score'上面显示的。（“ split0_test_precision”，“ mean_train_precision”等）
best_estimator_	estimator 搜索选择的估计器，即，对保留数据给出最高分（或最小损失，指定时）的估计量。如果refit=False，则不可用。 对于多指标评估，仅在refit指定后此属性才存在 。 有关refit允许值的更多信息，请参见参数。
best_score_	float best_estimator的平均交叉验证准确率。 对于多指标评估，如果refit为 False，则不可用。有关refit更多信息，请参见参数。 如果refit为函数，则此属性不可用。
best_params_	dict 参数设置，为保留数据提供最优结果。 对于多指标评估，如果refit为 False，则不可用。有关refit更多信息，请参见参数。
best_index_	int 对应于最优候选参数设置的（cv_results_数组的）索引。 search.cv_results_['params'][search.best_index_]处的字典给出了最优模型的参数设置，该模型给出了最高平均得分（search.best_score_）。 对于多指标评估，如果refit为False ，则不可用。有关refit更多信息，请参见参数。
scorer_	function or a dict 在保留的数据上使用评分器功能，为模型选择优参数。 对于多指标评估，此属性包含已验证的 scoring字典，该字典将评分器键映射到可调用的评分器。
n_splits_	int 交叉验证切分（折叠或迭代）的数量。
refit_time_	float 在整个数据集中重新拟合最优模型的秒数。 仅当refit不是False 时才存在。 0.20版中的新功能。

另见：

GridSearchCV 对参数网格进行详尽搜索。

ParameterSampler 由param_distributions构造的参数设置生成器。

注

根据评分参数，所选参数是那些使保留数据的准确率最大化的参数。

如果n_jobs设置为大于1的值，则会为每个参数设置（而不是n_jobs次数）复制数据。如果出于效率考虑，这样做是因为单个任务花费的时间很少，但是如果数据集很大且没有足够的可用内存，则可能会引发错误。在这种情况下，解决方法是设置pre_dispatch。然后，内存仅复制 pre_dispatch多次。pre_dispatch的合理值是2 * n_jobs。

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.linear_model import LogisticRegression
>>> from sklearn.model_selection import RandomizedSearchCV
>>> from scipy.stats import uniform
>>> iris = load_iris()
>>> logistic = LogisticRegression(solver='saga', tol=1e-2, max_iter=200,
...                               random_state=0)
>>> distributions = dict(C=uniform(loc=0, scale=4),
...                      penalty=['l2', 'l1'])
>>> clf = RandomizedSearchCV(logistic, distributions, random_state=0)
>>> search = clf.fit(iris.data, iris.target)
>>> search.best_params_
{'C': 2..., 'penalty': 'l1'}

方法

__init__（self，estimator，param_distributions，*，n_iter = 10，得分= None，n_jobs = None，iid =' preprecated '，refit = True，cv = None，verbose = 0，pre_dispatch ='2 * n_jobs'，random_state = None，error_score = nan，return_train_score = False ）

[源码]

初始化self。详情可参阅 type（self）的帮助。

decision_function(self, X)

[源码]

使用找到的最优参数在估计器上调用Decision_function。

仅在refit=True且基础估计器支持decision_function时可用。

fit（self，X，y = None，*，groups = None，** fit_params ）

[源码]

将所有参数组合进行拟合。

get_params（self，deep = True ）

[源码]

获取此估计器的参数。

inverse_transform(self, Xt)

[源码]

用找到的最优参数在估计器上调用inverse_transform。

仅在基础估计器实现inverse_transform和 refit=True时可用。

predict(self, X)

[源码]

使用找到的最优参数在估计器上调用predict。

仅在refit=True且基础估计器支持predict时可用。

predict_log_proba(self, X)

[源码]

使用找到的最优参数在估计器上调用predict_log_proba。

仅在refit=True且基础估计器支持predict_log_proba时可用。

predict_proba(self, X)

[源码]

使用找到的最优参数在估计器上调用predict_proba。

仅在refit=True且基础估计器支持predict_proba时可用。

score(self, X, y=None)

[源码]

如果估计器已重新拟合，则返回给定数据的准确率。

使用提供的scoring定义的准确率，否则使用best_estimator_.score方法。

set_params(self, **params)

[源码]

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如pipelines）。后者具有形式参数 <component>__<parameter>以便可以更新嵌套对象的每个组件。

transform(self, X)

[源码]

使用找到的最优参数在估计器上调用transform。

仅在基础估计器支持transform和refit=True时可用。