Tôi có một tập dữ liệu với 158 hàng và 10 cột. Tôi cố gắng xây dựng nhiều mô hình hồi quy tuyến tính và cố gắng dự đoán giá trị tương lai.Tại sao GridSearchCV không cung cấp điểm số tốt nhất? - Scikit Tìm hiểu
Tôi đã sử dụng GridSearchCV để điều chỉnh thông số.
Đây là GridSearchCV và Regression tôi chức năng:
def GridSearch(data):
X_train, X_test, y_train, y_test = cross_validation.train_test_split(data, ground_truth_data, test_size=0.3, random_state = 0)
parameters = {'fit_intercept':[True,False], 'normalize':[True,False], 'copy_X':[True, False]}
model = linear_model.LinearRegression()
grid = GridSearchCV(model,parameters)
grid.fit(X_train, y_train)
predictions = grid.predict(X_test)
print "Grid best score: ", grid.best_score_
print "Grid score function: ", grid.score(X_test,y_test)
Output của mã này là:
Lưới điểm tốt nhất: 0,720298870251
chức năng điểm Lưới: 0,888263112299
Ques của tôi tion là sự khác nhau giữa hàm best_score_
và score
là gì?
Chức năng score
có thể tốt hơn chức năng best_score
?
Xin cảm ơn trước.
Cảm ơn bạn đã giải thích. Tôi có thêm vài câu hỏi. Điểm số nào bằng r_squared? và cái nào là bí mật hơn cho các dự đoán trong tương lai? Tôi nghĩ 'điểm số' thứ hai nhưng tôi vẫn còn chút bối rối. –
@BatuhanBardak: Cả hai đều là R^2. Họ là R^2 cho phù hợp khác nhau. Giá trị của R^2 không phải là một đặc tính cố định của mô hình; nó phụ thuộc vào dữ liệu bạn đã sử dụng để phù hợp với mô hình và dữ liệu bạn đang sử dụng để đưa ra dự đoán. Tôi không chắc chắn ý của bạn là "bí mật hơn". – BrenBarn
Thực ra vấn đề chính của tôi là tìm điểm R^2 tốt nhất cho mô hình của tôi. Tôi có 158 dữ liệu mẫu. Mỗi dữ liệu đại diện cho một 'tuần' (dữ liệu này là dữ liệu chuỗi thời gian). Vì vậy, tôi cố gắng dự đoán giá trị 'tuần'. Vì vậy, bây giờ tôi cố gắng tạo ra một mô hình tốt nhất để dự đoán dữ liệu trong tương lai. Nhưng điểm số R^2 của tôi là bao nhiêu? Có phải là '0.7202' hoặc' 0.8882'. Tôi nên tập trung vào điểm nào cho mô hình của mình? Nếu mô hình của tôi R^2 là '0.8882' thì nó tốt cho tôi nhưng nếu tôi không phải phát triển mô hình của mình. Tôi hy vọng, tôi có thể giải thích những gì tôi muốn nói. @BrenBarn –