GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。这个时候就是需要动脑筋了。数据量比较大的时候可以使用一个快速调优的方法——坐标下降。它其实是一种贪心算法：拿当前对模型影响最大的参数调优，直到最优化；再拿下一个影响最大的参数调优，如此下去，直到所有的参数调整完毕。这个方法的缺点就是可能会调到局部最优而不是全局最优，但是省时间省力，巨大的优势面前，还是试一试吧，后续可以再拿bagging再优化。

回到sklearn里面的GridSearchCV，GridSearchCV用于系统地遍历多种参数组合，通过交叉验证确定最佳效果参数。GridSearchCV的sklearn官方网址：classsklearn.model_selection.GridSearchCV(estimator,param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True,cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise',return_train_score=True)

1.常用参数解读

estimator：所使用的分类器，如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt',random_state=10), 并且传入除需要确定最佳的参数之外的其他参数。每一个分类器都需要一个scoring参数，或者score方法。param_grid：值为字典或者列表，即需要最优化的参数的取值，param_grid =param_test1，param_test1 = {'n_estimators':range(10,71,10)}。scoring :准确度评价标准，默认None,这时需要使用score函数；或者如scoring='roc_auc'，根据所选模型不同，评价准则不同。字符串（函数名），或是可调用对象，需要其函数签名形如：scorer(estimator, X, y)；如果是None，则使用estimator的误差估计函数。cv :交叉验证参数，默认None，使用三折交叉验证。指定fold数量，默认为3，也可以是yield训练/测试数据的生成器。refit :默认为True,程序将会以交叉验证训练集得到的最佳参数，重新对所有可用的训练集与开发集进行，作为最终用于性能评估的最佳模型参数。即在搜索参数结束后，用最佳参数结果再次fit一遍全部数据集。iid:默认True,为True时，默认为各个样本fold概率分布一致，误差估计为所有样本之和，而非各个fold的平均。verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出。n_jobs: 并行数，int：个数,-1：跟CPU核数一致, 1:默认值。pre_dispatch：指定总共分发的并行任务数。当n_jobs大于1时，数据将在每个运行点进行复制，这可能导致OOM，而设置pre_dispatch参数，则可以预先划分总共的job数量，使数据最多被复制pre_dispatch次2.进行预测的常用方法和属性grid.fit()：运行网格搜索grid_scores_：给出不同参数情况下的评价结果best_params_：描述了已取得最佳结果的参数的组合best_score_：成员提供优化过程期间观察到的最好的评分3.网格搜索实例

param_test1 ={'n_estimators':range(10,71,10)}  gsearch1= GridSearchCV(estimator =RandomForestClassifier(min_samples_split=100,                                   min_samples_leaf=20,max_depth=       8,max_features='sqrt',random_state=10),                          param_grid =param_test1,scoring='roc_auc',cv=5)  gsearch1.fit(X,y)  gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

输出结果如下：

([mean: 0.80681, std:0.02236, params: {'n_estimators': 10},  mean: 0.81600, std: 0.03275, params:{'n_estimators': 20},  mean: 0.81818, std: 0.03136, params:{'n_estimators': 30},  mean: 0.81838, std: 0.03118, params:{'n_estimators': 40},  mean: 0.82034, std: 0.03001, params:{'n_estimators': 50},  mean: 0.82113, std: 0.02966, params:{'n_estimators': 60},  mean: 0.81992, std: 0.02836, params:{'n_estimators': 70}],{'n_estimators': 60},0.8211334476626017)

如果有transform,使用Pipeline简化系统搭建流程，将transform与分类器串联起来（Pipelineof transforms with a final estimator）

pipeline= Pipeline([("features", combined_features), ("svm", svm)])  param_grid= dict(features__pca__n_components=[1, 2, 3],                    features__univ_select__k=[1,2],                    svm__C=[0.1, 1, 10])     grid_search= GridSearchCV(pipeline, param_grid=param_grid, verbose=10)  grid_search.fit(X,y)  print(grid_search.best_estimator_)