はじめに

Grid Searchについてまとめました。

Grid Search

Grid Searchは複数ハイパーパラメータの各組み合わせでモデルを学習、検証する手法です。
複雑なモデルになるほど複数のハイパーパラメータが必要になり、モデル精度を向上させるためにこのような手法が使われます。
また、Cross Validationと組み合わせて使われます。

sklearnではGridSearchCVという関数が用意されています。
GridSearchCVを使うことで、指定したパラメータの全組合せの中からCross Validationで最適なパラメータを求めることができます。

GridSearchCVの主なプロパティとしては以下のものがあります。

estimator: チューニングを行うモデル
param_grid: パラメータ候補パラメータ名: [候補リスト]
scoring: 評価指標
cv: Cross Validationの分割数(default: 3)
verbose: ログ出力レベル
n_jobs: 同時実行数(-1: コア数で並列実行)
refit: 　trueのとき最良のパラメータで再学習

実践

Elastic Net回帰モデル(よろしければ以下の記事をご覧ください)にGridSearchCVを適用してみます。

以下の場合、alphaの候補が6個、l1_ratioの候補が7個あるため、42個の組み合わせから最適なパラメータを選ぶことになります。
また、Cross Validationで5分割するため、210(42☓5)回計算を行います。

from sklearn.linear_model import ElasticNet
from sklearn.model_selection import GridSearchCV

# モデルの定義
base_elastic_model = ElasticNet()

# パラメータ候補の定義
param_grid = {'alpha':[0.1,1,5,10,50,100],
              'l1_ratio':[.1, .5, .7, .9, .95, .99, 1]}

# パラメータチューニング
grid_model = GridSearchCV(estimator=base_elastic_model,
                          param_grid=param_grid,
                          scoring='neg_mean_squared_error',
                          cv=5,
                          verbose=2)

grid_model.fit(X_train,y_train)

best_perams_メソッドで、{'alpha': 0.1, 'l1_ratio': 1}が最適なパラメータとして選択されたことを確認できます。

そして、テストデータの予測を以下のように行います。

y_pred = grid_model.predict(X_test)
mean_squared_error(y_test,y_pred)

【機械学習】sklearnによるGrid Searchの実践

はじめに

Grid Search

実践

参考資料