什么是交叉验证(cross validation)
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4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。
为了让从训练得到模型结果更加准确,但是并不会提供准确率
- 训练集：训练集+验证集
- 测试集：测试集
什么是网格搜索(Grid Search)
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。
交叉验证，网格搜索（模型选择与调优）API：
- klearn.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)
- cv：指定几折交叉验证
- fit：输入训练数据
- score：准确率
- 结果分析：
- bestscore__:在交叉验证中验证的最好结果
- bestestimator：最好的参数模型
- cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果
鸢尾花案例增加K值调优
#-*- codeing = utf-8 -*-
#@Time : 2021/1/15 20:19
#@Author : 杨晓
#@File : cv_demo.py
#@Software: PyCharm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
# 1、获取数据
iris = load_iris()
# 2、数据处理
x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=222)
# 3、特征工程
# 3.1 实例转化器
transfer = StandardScaler()
# 3.2调用fit_transform
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4、机器学习
# 4.1 实例化预估器类
estimator = KNeighborsClassifier()
# 4.2 模型选择与调优——网格搜索和交叉验证
param_dict = {"n_neighbors":[1,3,5,7]}
estimator = GridSearchCV(estimator,param_grid=param_dict,cv=5)
# 4.3 训练模型
estimator.fit(x_train,y_train)
# 5、模型评估
y_predict = estimator.predict(x_test)
print("预测结果为:\n",y_predict)
print("对比真实值和预测值:\n",y_predict == y_test)
score = estimator.score(x_test,y_test)
print("准确率为:\n",score)
print("在交叉验证中验证的最好结果：\n", estimator.best_score_)
print("最好的参数模型：\n", estimator.best_estimator_)
print("每次交叉验证后的准确率结果：\n", estimator.cv_results_)
