机器学习-用循环来测试出最好的参数设置

调用sklearn中现有的机器学习函数包，往往都会有很多参数设置，如knn中，你需要选择k的数值，需要选择距离计算方法，需要选择是不是要按照距离远近给不同点的不同的权重，等等之类，很多时候只能依靠经验确定，这时候可以设置一个循环，来测试出最好的参数设置。

以KNN为例，代码如下：

from sklearn.model_selection import train_test_split 
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=42,stratify=y) 
knn.score(x_test,y_test)
best_p = -1
best_score= 0.0
best_k = -1
best_method=''
for k in range(1,11):
    for method in ['uniform','distance']:
        for p in range(1,6):
            knn_clf= KNeighborsClassifier(n_neighbors=k,weights=method,p=p)
            knn_clf.fit(x_train,y_train)
            score=knn_clf.score(x_test,y_test)
            if score>best_score:
                best_k=k
                best_score=score
                best_p=p
                best_method = method
print (best_p)
print (best_score)
print (best_k)
print (best_method)