GridSearchCV参数

# 导入模块
from sklearn.model_selection import GridSearchCV

# 函数全名
class sklearn.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)

# 举例
grid_search = GridSearchCV(forest_reg, param_grid,cv=5,scoring='neg_mean_squared_error')

参数解释：
estimator：所使用的分类器。
param_grid：值为字典或者列表，即需要最优化的参数的取值。

# param_grid可以是多个参数的组合
from sklearn.model_selection import GridSearchCV
param_grid = [
{'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]},
{'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]},
]
 
forest_reg = RandomForestRegressor()
grid_search = GridSearchCV(forest_reg, param_grid, cv=5,
                          scoring='neg_mean_squared_error')
 
grid_search.fit(housing_prepared, housing_labels)
# sklearn 根据param_grid的值，首先会评估3×4=12种n_estimators和max_features的组合方式，接下来在会在bootstrap=False的情况下（默认该值为True），评估2×3=6种12种n_estimators和max_features的组合方式，所以最终会有12+6=18种不同的超参数组合方式,而每一种组合方式要在训练集上训练5次， 所以一共要训练18×5=90 次，当训练结束后，可以通过best_params_获得最好的组合方式。

scoring：准确度评价标准，默认None。
n_jobs：并行数，int：个数,-1：跟CPU核数一致, 1:默认值。
cv：整数或者交叉验证生成器或一个可迭代器

grid_search.best_params_         # 获得最好的组合方式
grid_search.best_estimator_      # 获得最好的模型
grid_search.best_score_             # 获得优化过程期间观察到的最好的评分
grid_search.best_index_             # 获得最佳候选参数设置的索引(cv_results_数组的索引)。