DAY11@浙大疏锦行

笔记：

参数优化步骤：

1.在调参前，先建立基线模型：

- 使用**默认参数**训练模型

- 记录性能指标作为**对比基准**

- 后续调参效果以此为参照

2.对参数进行定义

1️⃣ 网格搜索 (GridSearchCV)

- 需要定义参数的**固定列表**（param_grid）

- 尝试所有可能的参数组合

- ⚠️ 计算成本高，参数多时组合呈指数级增长

2️⃣ 随机搜索 (RandomizedSearchCV)

- 定义参数的**分布范围**

- 随机采样指定次数（如 50-100 次）

- ✅ 对于给定计算预算，通常比网格搜索更有效

3️⃣ 贝叶斯优化 (BayesSearchCV)

- 定义参数的**搜索空间**

- 根据先验结果建立概率模型（高斯过程）

- 智能选择下一个最有潜力的参数组合

- ✅ 通常用更少迭代达到更好效果

3.创建调参方法的对象

4.在训练集上进行该方法

5.使用最佳参数的模型进行预测

作业：

1.调包：

import pandas as pd import pandas as pd #用于数据处理和分析，可处理表格数据。 import numpy as np #用于数值计算，提供了高效的数组操作。 import matplotlib.pyplot as plt #用于绘制各种类型的图表 import seaborn as sns #基于matplotlib的高级绘图库，能绘制更美观的统计图形。 import warnings warnings.filterwarnings('ignore') #忽略警告信息，保持输出清洁。 # 设置中文字体（解决中文显示问题） plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统常用黑体字体 plt.rcParams['axes.unicode_minus'] = False # 正常显示负号 data = pd.read_csv(r'data.csv')

2.预处理：

# 先筛选字符串变量 discrete_features = data.select_dtypes(include=['object']).columns.tolist() # Home Ownership 标签编码 home_ownership_mapping = { 'Own Home': 1, 'Rent': 2, 'Have Mortgage': 3, 'Home Mortgage': 4 } data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping) # Years in current job 标签编码 years_in_job_mapping = { '< 1 year': 1, '1 year': 2, '2 years': 3, '3 years': 4, '4 years': 5, '5 years': 6, '6 years': 7, '7 years': 8, '8 years': 9, '9 years': 10, '10+ years': 11 } data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping) # Purpose 独热编码，记得需要将bool类型转换为数值 data = pd.get_dummies(data, columns=['Purpose']) data2 = pd.read_csv(r'data.csv') # 重新读取数据，用来做列名对比 list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名 for i in data.columns: if i not in data2.columns: list_final.append(i) # 这里打印出来的就是独热编码后的特征名 for i in list_final: data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名 # Term 0 - 1 映射 term_mapping = { 'Short Term': 0, 'Long Term': 1 } data['Term'] = data['Term'].map(term_mapping) data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列 continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist() #把筛选出来的列名转换成列表 # 连续特征用中位数补全 for feature in continuous_features: mode_value = data[feature].mode()[0] #获取该列的众数。 data[feature].fillna(mode_value, inplace=True) #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。

3.划分训练测试集

from sklearn.model_selection import train_test_split X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除 y = data['Credit Default'] # 标签 # 按照8:2划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集

4.调包

from sklearn.svm import SVC #支持向量机分类器 from sklearn.neighbors import KNeighborsClassifier #K近邻分类器 from sklearn.linear_model import LogisticRegression #逻辑回归分类器 import xgboost as xgb #XGBoost分类器 import lightgbm as lgb #LightGBM分类器 from sklearn.ensemble import RandomForestClassifier #随机森林分类器 from catboost import CatBoostClassifier #CatBoost分类器 from sklearn.tree import DecisionTreeClassifier #决策树分类器 from sklearn.naive_bayes import GaussianNB #高斯朴素贝叶斯分类器 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标 from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵 import warnings #用于忽略警告信息 warnings.filterwarnings("ignore") # 忽略所有警告信息

5.默认参数knn (训练集 -> 测试集) ---

print("--- 1. 默认参数knn (训练集 -> 测试集) ---") import time # 这里介绍一个新的库，time库，主要用于时间相关的操作，因为调参需要很长时间，记录下会帮助后人知道大概的时长 start_time = time.time() # 记录开始时间 knn_model = KNeighborsClassifier() knn_model.fit(X_train, y_train) knn_pred = knn_model.predict(X_test) end_time = time.time() # 记录结束时间 print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\n默认knn 在测试集上的分类报告：") print(classification_report(y_test, knn_pred)) print("默认knn 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, knn_pred))

6.网格搜索优化knn

import os # 必须导入：设置环境变量 import tempfile # 必须导入：创建临时文件夹 # ========== 解决Windows中文路径编码问题 ========== os.environ['JOBLIB_TEMP_FOLDER'] = tempfile.mkdtemp(dir='D:\\') # 若D盘不存在，改为C:\\ os.environ['PYTHONIOENCODING'] = 'utf-8' print("\n--- 2. 网格搜索优化knn (训练集 -> 测试集) ---") from sklearn.model_selection import GridSearchCV # 定义要搜索的参数网格 param_grid = { 'n_neighbors': [1, 3, 5, 7, 9, 11, 13, 15], 'weights': ['uniform', 'distance'], 'metric': ['euclidean', 'manhattan'] } # 创建网格搜索对象 knn = KNeighborsClassifier() grid_search = GridSearchCV( estimator=knn, # 第1个参数 param_grid=param_grid, # 第2个参数 cv=5, # 5折交叉验证 scoring='accuracy', # 分类评分指标 n_jobs=-1, # 并行加速 verbose=1 # 最后一个参数不要加多余逗号（Python3虽兼容，但易报错） ) # 步骤4：执行网格搜索 start_time = time.time() grid_search.fit(X_train, y_train) end_time = time.time() # 在训练集上进行网格搜索 grid_search.fit(X_train, y_train) # 在训练集上训练，模型实例化和训练的方法都被封装在这个网格搜索对象里了 end_time = time.time() print(f"网格搜索耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", grid_search.best_params_) #best_params_属性返回最佳参数组合 # 使用最佳参数的模型进行预测 best_model = grid_search.best_estimator_ # 获取最佳模型 best_pred = best_model.predict(X_test) # 在测试集上进行预测 print("\n网格搜索优化后的随机森林 在测试集上的分类报告：") print(classification_report(y_test, best_pred)) print("网格搜索优化后的随机森林 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred))

7.贝叶斯优化knn (训练集 -> 测试集) ---

print("\n--- 2. 贝叶斯优化knn (训练集 -> 测试集) ---") from skopt.space import Categorical # 先导入Categorical from skopt import BayesSearchCV from skopt.space import Integer from sklearn.metrics import classification_report, confusion_matrix import time # 定义要搜索的参数空间 param_space = { 'n_neighbors': Integer(low=1, high=20, name='n_neighbors'), # K值：1~20 'weights': Categorical(['uniform', 'distance'], name='weights'), # 权重 'metric': Categorical(['euclidean', 'manhattan'], name='metric') # 距离 } # 初始化贝叶斯优化器 knn = KNeighborsClassifier() bayes_search = BayesSearchCV( estimator=knn, search_spaces=param_space, # 传入正确的参数空间 n_iter=30, cv=5, scoring='accuracy', random_state=42, n_jobs=1, verbose=1 ) start_time = time.time() # 在训练集上进行贝叶斯优化搜索 bayes_search.fit(X_train, y_train) end_time = time.time() print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", bayes_search.best_params_) # 使用最佳参数的模型进行预测 best_model = bayes_search.best_estimator_ best_pred = best_model.predict(X_test) print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", bayes_search.best_params_) print("\n贝叶斯优化后的knn 在测试集上的分类报告：") print(classification_report(y_test, best_pred)) print("贝叶斯优化后的knn 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred))

8.随机搜索优化knn

# --- 3. 随机搜索优化knn --- print("\n--- 2. 随机搜索优化随机森林 (训练集 -> 测试集) ---") from scipy.stats import randint from sklearn.model_selection import RandomizedSearchCV # 定义参数分布（使用分布而非固定列表） param_distribution = { 'n_neighbors': np.arange(3, 16, 2), # K值：3,5,...,15（奇数避免平局） 'weights': ['uniform', 'distance'], # 权重规则 'metric': ['euclidean', 'manhattan'], # 距离度量 'p': [1, 2] # 闵可夫斯基距离幂次（可选） } # 创建随机搜索对象 knn = KNeighborsClassifier() random_search = RandomizedSearchCV( estimator=knn, param_distributions=param_distribution, # 随机搜索的参数空间（而非网格列表） n_iter=20, # 随机采样20次（核心参数！） cv=5, # 5折交叉验证 scoring='accuracy', # 分类任务评分指标 random_state=42, # 固定种子，保证可复现 n_jobs=-1, # 单进程（Windows避免编码问题） verbose=1 # 输出进度日志 ) start_time = time.time() # 在训练集上进行随机搜索 random_search.fit(X_train, y_train) end_time = time.time() print(f"随机搜索耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", random_search.best_params_) # 使用最佳参数的模型进行预测 best_model_random = random_search.best_estimator_ best_pred_random = best_model_random.predict(X_test) print("\n随机搜索优化后的knn 在测试集上的分类报告：") print(classification_report(y_test, best_pred_random)) print("随机搜索优化后的knn 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred_random))