模型选择与调优
交叉验证
为了让被评估的模型更加准确可信
交叉验证：将拿到的训练数据，分为训练和验证集。
以下图为例:将数据分成5份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。
网格搜索
网格搜索，也称为超参数搜索
通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的k值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
如果有两个超参数，那么就进行排列组合
sklearn库API
GridSearchCV
sklearn.model_selection.GridSearchCV(estimator, param grid=None,cv=None)
对估计器的指定参数值进行详尽搜索
estimator:估计器对象
param_grid:估计器参数(dict){"n_neighbors":[1,3,5]}
cv:指定几折交叉验证
fit:输入训练数据
score:准确率·结果分析:
best_score_:在交叉验证中验证的最好结果
best_estimator_:最好的参数模型
cv _results _:每次交叉验证后的测试集准确率结果和训练集准确率结果
