关于sklearn的GridSearchCV的说明

Question

我对sklearn中的GridSearchCV有以下问题。我尝试过，但是找不到明确的答案。以下是使用-

的代码补丁iam

dep = df2['responder_flag']
indep = df2.drop(df2.columns[[0,85]], axis = 1)

X_train, X_test, y_train, y_test = train_test_split(indep, dep,test_size=0.25, random_state = 23)

train = xgb.XGBClassifier(objective='binary:logistic')
param_grid = {'max_depth': [4,5], 'n_estimators': [500], 'learning_rate': [0.02,0.01]}
grid = GridSearchCV(train, param_grid,cv=5, scoring='roc_auc')
grid.fit(X_train, y_train)

1. [[cross_validation，即GridSearchCV中的cv参数是否等效于Kfold或在训练数据时使用cross_validation_score和其他类似功能明确应用的其他CV技术？
2. 我可以使用GridsearchCV进行交叉验证吗？说如果我不提供多个参数列表，它将等于交叉验证技术吗？
3. 一旦执行grid.fit(X_train, y_train)语句，是否在确定的最佳参数上训练模型，并且可以直接用于模型预测，还是需要用grid.best_params_定义另一个估计器，然后训练并将其用于预测？

如果早点回答，对不起。

Answer 1

以下是答案：

1. cv参数等于k倍。在GridSearchCV中，我们给出了我们希望模型采用的一组参数值。假设我们从[0.0001，0.001，0.01，0.1，1，10]中取learning_rate = 0.0001。当我们在gridsearch中指定cv = 5时，它将对5-fold cv执行000.1。同样，它将对其余值执行5-fold cv。在这种情况下，k为5。
2. 从某种意义上讲，是的。但是不要这样做，因为GridSearchCV需要一个参数列表。GridSearchCV是用于执行超参数调整的方法。如果未指定多个参数列表，则将无法使用GridSearch。
3. 完成grid.best_params_之后，无需在训练集上用grid.fit(X_train, y_train)手动拟合模型。 GridSearchv有一个名为“ refitwhich will refit thegrid.best_esitmator_to the whole training set automatically if we setrefit = True. It is by default set toTrue”的参数。 Documentation