sklearn.model_selection.RandomizedSearchCV?

class sklearn.model_selection.RandomizedSearchCV（estimator，param_distributions，*，n_iter = 10，評分= 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 ）

[源碼]

隨機搜索超參數。

RandomizedSearchCV可以實現“fit”和“score”方法。如果在所使用的估計器中實現了“predict”，“predict_proba”，“decision_function”，“transform”和“inverse_transform”，則RandomizedSearchCV也可以實現它們。

用于應用這些方法的估計器的參數，是通過在參數設置上進行交叉驗證的搜索來優化的。

與GridSearchCV相比，并非所有參數值都經過試驗，而是從指定的分布中采樣了固定數量的參數設置。嘗試的參數設置數由n_iter給出。

如果所有參數均以列表形式顯示，則執行采樣而無需替換。如果給定至少一個參數作為分布，則使用替換抽樣。強烈建議對連續參數使用連續分布。

在用戶指南中閱讀更多內容。

版本0.14中的新功能。

屬性	說明
cv_results_	dict of numpy (masked) ndarrays 將鍵作為列標題和值作為列的字典，將其導入pandas DataFrame。 例如下面給定的表 用字典cv_results_表示： 注意 該鍵'params'用于存儲所有候選參數的參數設置字典列表。 mean_fit_time，std_fit_time，mean_score_time和 std_score_time的單位都是秒。 對于多指標評估，所有評分器的得分都可以在字典cv_results_中以該評分器名字（'_<scorer_name>'）結尾的鍵獲得，而不是'_score'上面顯示的。（“ split0_test_precision”，“ mean_train_precision”等）
best_estimator_	estimator 搜索選擇的估計器，即，對保留數據給出最高分（或最小損失，指定時）的估計量。如果refit=False，則不可用。 對于多指標評估，僅在refit指定后此屬性才存在 。 有關refit允許值的更多信息，請參見參數。
best_score_	float best_estimator的平均交叉驗證準確率。 對于多指標評估，如果refit為 False，則不可用。有關refit更多信息，請參見參數。 如果refit為函數，則此屬性不可用。
best_params_	dict 參數設置，為保留數據提供最優結果。 對于多指標評估，如果refit為 False，則不可用。有關refit更多信息，請參見參數。
best_index_	int 對應于最優候選參數設置的（cv_results_數組的）索引。 search.cv_results_['params'][search.best_index_]處的字典給出了最優模型的參數設置，該模型給出了最高平均得分（search.best_score_）。 對于多指標評估，如果refit為False ，則不可用。有關refit更多信息，請參見參數。
scorer_	function or a dict 在保留的數據上使用評分器功能，為模型選擇優參數。 對于多指標評估，此屬性包含已驗證的 scoring字典，該字典將評分器鍵映射到可調用的評分器。
n_splits_	int 交叉驗證切分（折疊或迭代）的數量。
refit_time_	float 在整個數據集中重新擬合最優模型的秒數。 僅當refit不是False 時才存在。 0.20版中的新功能。

另見：

GridSearchCV 對參數網格進行詳盡搜索。

ParameterSampler 由param_distributions構造的參數設置生成器。

注

根據評分參數，所選參數是那些使保留數據的準確率最大化的參數。

如果n_jobs設置為大于1的值，則會為每個參數設置（而不是n_jobs次數）復制數據。如果出于效率考慮，這樣做是因為單個任務花費的時間很少，但是如果數據集很大且沒有足夠的可用內存，則可能會引發錯誤。在這種情況下，解決方法是設置pre_dispatch。然后，內存僅復制 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 ）

[源碼]

初始化self。詳情可參閱 type（self）的幫助。

decision_function(self, X)

[源碼]

使用找到的最優參數在估計器上調用Decision_function。

僅在refit=True且基礎估計器支持decision_function時可用。

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

[源碼]

將所有參數組合進行擬合。

get_params（self，deep = True ）

[源碼]

獲取此估計器的參數。

inverse_transform(self, Xt)

[源碼]

用找到的最優參數在估計器上調用inverse_transform。

僅在基礎估計器實現inverse_transform和 refit=True時可用。

predict(self, X)

[源碼]

使用找到的最優參數在估計器上調用predict。

僅在refit=True且基礎估計器支持predict時可用。

predict_log_proba(self, X)

[源碼]

使用找到的最優參數在估計器上調用predict_log_proba。

僅在refit=True且基礎估計器支持predict_log_proba時可用。

predict_proba(self, X)

[源碼]

使用找到的最優參數在估計器上調用predict_proba。

僅在refit=True且基礎估計器支持predict_proba時可用。

score(self, X, y=None)

[源碼]

如果估計器已重新擬合，則返回給定數據的準確率。

使用提供的scoring定義的準確率，否則使用best_estimator_.score方法。

set_params(self, **params)

[源碼]

設置此估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如pipelines）。后者具有形式參數 <component>__<parameter>以便可以更新嵌套對象的每個組件。

transform(self, X)

[源碼]

使用找到的最優參數在估計器上調用transform。

僅在基礎估計器支持transform和refit=True時可用。