ضبط المعلمات التشعبية (Hyperparameter Tuning) Hyperparameter Tuning

الصياغة

from sklearn.model_selection import GridSearchCV

param_grid = {
    "n_estimators": [100, 200],
    "max_depth": [3, 5, 10],
}
search = GridSearchCV(model, param_grid, cv=5, scoring="f1")
search.fit(X_train, y_train)
print(search.best_params_)
print(search.best_score_)

📄 مثال

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.datasets import load_wine

X, y = load_wine(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, stratify=y)

param_grid = {
    "n_estimators": [50, 100, 200],
    "max_depth": [3, 5, None],
}
search = GridSearchCV(
    RandomForestClassifier(random_state=42),
    param_grid, cv=5, scoring="f1_weighted", n_jobs=-1
)
search.fit(X_train, y_train)

print(f"أفضل معاملات: {search.best_params_}")
print(f"أفضل CV score: {search.best_score_:.3f}")

أهم النقاط

💡 نصائح عملية

• ابدأ بـ RandomizedSearchCV لتضييق الفضاء قبل GridSearchCV النهائي — أسرع من Grid الشامل
• n_jobs=-1 يوازي البحث على كل أنوية المعالج — اخفضه إن كانت الذاكرة محدودة

⚠️ أخطاء شائعة

• ضبط معاملات على بيانات الاختبار (تسريب) — التقييم النهائي يفقد موضوعيته
• Grid Search واسع جدًا مع GridSearchCV البطيء — RandomizedSearchCV أنسب للفضاءات الكبيرة

خصائص ذات صلة