scikit-learn - 使用 Gridsearch 降低回归得分

Question

我是 scikit learn 的新手，所以请原谅我的无知。使用 GridsearchCV 我正在尝试优化 DecisionTreeRegressor。我使参数空间越宽，得分就越差。

将 min_samples_split 设置为 range(2,10) 会给我一个 -0.04 的 neg_mean_squared_error。将其设置为 range(2,5) 时，得分为 -0.004。

simple_tree =GridSearchCV(tree.DecisionTreeRegressor(random_state=42), n_jobs=4, param_grid={'min_samples_split': range(2, 10)}, scoring='neg_mean_squared_error', cv=10, refit='neg_mean_squared_error')

simple_tree.fit(x_tr,y_tr).score(x_tr,y_tr)

与不太广泛的网格搜索相比，我希望更广泛的网格搜索获得相等或更高的正分数。

标签： scikit-learndecision-treegridsearchcv

Answer 1

你是对的，当你有更多参数时，你应该有一个接近 0 的指标。如果你真的每次都比较同一个模型。您提供的代码中并非如此，因为您尚未random_state在决策树中设置参数。

做DecisionTreeRegressor(random_state = 42)（或任何整数），你应该有更明智的结果。