用 Ridge 在 gridsearchcv 中选择最佳模型的标准是什么

Question

我试过 gridsearchcv

pipe = make_pipeline(StandardScaler(), Ridge())
param_grid = {'ridge__alpha': [1000, 100,10,1,0.1]}
grid_pipe = GridSearchCV(pipe, param_grid, cv = 5)

如果我在 ridge_alpha 中排除 1000，则 ridge_alpha = 100 是最好的模型。如果我在 ridge_alpha 中包含 1000，则 ridge_alpha 为 1000 是最好的模型，但是，该模型具有更高的 rmse 和更低的 R^2...为什么即使 1000 也不选择 alpha = 100？我认为 R^2 是使用 Ridge 进行回归的默认标准...

Answer 1

gridsearchcv 检查交叉验证分数的每个拆分并获取所有这些拆分的平均值以找到更好的超参数。您可以使用grid_pipe.cv_results_ 来检查每个分割分数、平均分数和标准分数。它通过交叉验证拆分详细说明了每个超参数的结果。这样您就可以分析该数据以更好地理解。