GridSearchCV 和 Cross_Val_Score 之间的区别
Difference between GridSearchCV and Cross_Val_Score
我有一个二进制时间序列分类问题。
由于是时间序列，我不能只 train_test_split 我的数据。所以，我使用了这个link中的对象tscv = TimeSeriesSplit()，得到了这样的东西：
我可以从 GridSearchCV and cross_val_score 中看出，我可以将我的拆分策略作为参数传递 cv = tscv。但我的问题是，GridSearchCV 和 coss_val_score 有什么区别？使用其中之一就足以 train/test 我的模型？或者我应该同时使用两者？首先是 GridSearchCV 以获得最佳超参数，然后是 cross_val_score?
网格搜索是一种通过使用不同的超参数设置（您预先定义的值）来评估模型的方法。您的 GridSearch 可以使用交叉验证（因此存在 GridSearchCV），以便为模型的不同参数设置提供最终分数。在训练和评估之后（网格搜索完成后），您可以查看模型表现最佳的参数（通过查看属性 best_params_dict）。因此，网格搜索基本上是一种暴力破解策略，其中您 运行 具有所有可能的超参数组合的模型。
使用 coss_val_score 你不执行网格搜索（你不使用上面提到的所有预定义参数的策略），但你在交叉验证后得到分数。
我希望现在一切都清楚了。
我有一个二进制时间序列分类问题。
由于是时间序列，我不能只 train_test_split 我的数据。所以，我使用了这个link中的对象tscv = TimeSeriesSplit()，得到了这样的东西：
我可以从 GridSearchCV and cross_val_score 中看出，我可以将我的拆分策略作为参数传递 cv = tscv。但我的问题是，GridSearchCV 和 coss_val_score 有什么区别？使用其中之一就足以 train/test 我的模型？或者我应该同时使用两者？首先是 GridSearchCV 以获得最佳超参数，然后是 cross_val_score?
网格搜索是一种通过使用不同的超参数设置（您预先定义的值）来评估模型的方法。您的 GridSearch 可以使用交叉验证（因此存在 GridSearchCV），以便为模型的不同参数设置提供最终分数。在训练和评估之后（网格搜索完成后），您可以查看模型表现最佳的参数（通过查看属性 best_params_dict）。因此，网格搜索基本上是一种暴力破解策略，其中您 运行 具有所有可能的超参数组合的模型。
使用 coss_val_score 你不执行网格搜索（你不使用上面提到的所有预定义参数的策略），但你在交叉验证后得到分数。
我希望现在一切都清楚了。