使用以下函数包装模型:
def GBC(self):
model = GradientBoostingRegressor()
p = [{'learning_rate':[[0.0005,0.01,0.02,0.03]],'n_estimators':[[for i in range(1,100)]],'max_depth':[[4]]}]
return model,p
然后通过参数网格使用内核对其进行测试:
def kernel(self,model,p):
parameter = ParameterGrid(p)
clf = gridsearchcv(model, parameter, cv=5, scoring='neg_mean_squared_error',n_jobs=2)
clf.fit(X,Y)
使用这种方法,您可以在不同的函数上管理函数的种类及其超参数集,直接在main中调用该函数
a = the_class()
a.kernel(a.GBC())