使用 RandomizedSearchCV 进行随机森林调整

Question

我有几个关于随机森林回归模型中的随机网格搜索的问题。我的参数网格如下所示：

random_grid = {'bootstrap': [True, False],
               'max_depth': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, None],
               'max_features': ['auto', 'sqrt'],
               'min_samples_leaf': [1, 2, 4],
               'min_samples_split': [2, 5, 10],
               'n_estimators': [130, 180, 230]}

和我的 RandomizedSearchCV 代码如下：

# Use the random grid to search for best hyperparameters
# First create the base model to tune
from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor()
# Random search of parameters, using 3 fold cross validation, 
# search across 100 different combinations, and use all available cores
rf_random = RandomizedSearchCV(estimator = rf, param_distributions = random_grid, n_iter = 100, cv = 3, verbose=2, random_state=42, n_jobs = -1)
# Fit the random search model
rf_random.fit(X_1, Y)

有没有办法计算每个参数集的均方根？这对我来说会更有趣，因为 R^2 分数？如果我现在想要获得最佳参数集，如下面打印的那样，我也会使用最低的 RMSE 分数。有没有办法做到这一点？

rf_random.best_params_
rf_random.best_score_
rf_random.best_estimator_

谢谢你，R

Answer 1

将“评分”参数添加到 RandomizedSearchCV。

RandomizedSearchCV(scoring="neg_mean_squared_error", ...

可以在文档中找到替代选项

这样，您可以打印每个参数集的 RMSE 以及参数集：

cv_results = rf_random.cv_results_
for mean_score, params in zip(cv_results["mean_test_score"], cvres["params"]):
    print(np.sqrt(-mean_score), params)