GridSearchCV中的标准和评分之间有什么区别

问题描述

我已经创建了GradientBoostingRegressor模型。

我在gridsearchcv函数中使用得分参数来返回MSE得分。

我想知道是否在 param_grids 中使用条件会改变我的模型吗？哪个才是真正的方法？

谢谢

    GBR = GradientBoostingRegressor()
    param_grids = {
                    'learning_rate'    : [0.01,0.05,0.07,0.1,0.3,0.5 ],'n_estimators'     : [50,60,70,80,90,100],'max_depth'        : [1,2,3,4],'min_samples_leaf' : [1,5,10,15],'min_samples_split': [2,4,10],#'criterion' : ['mse']
    }
        
    kf = KFold(n_splits=3,random_state=42,shuffle=True)
    gs = gridsearchcv(estimator=GBR,param_grid = param_grids,cv = kf,n_jobs=-1,return_train_score=True,scoring='neg_mean_squared_error') 

解决方法

criterion 方法评估树中的拆分。 评分方法评估整个模型的质量。

如果您想了解如果会更改您的模型，为什么不进行测试？这就是GridSearchCV擅长的。默认值为 friedman_mse ，因此：

param_grids = {
                    'learning_rate'    : [0.01,0.05,0.07,0.1,0.3,0.5 ],'n_estimators'     : [50,60,70,80,90,100],'max_depth'        : [1,2,3,4],'min_samples_leaf' : [1,5,10,15],'min_samples_split': [2,4,10],'criterion' : ['friedman_mse','mse']
    }