Wie in den vorherigen Kapiteln gezeigt, macht das Modell unterschiedliche Vorhersagen für verschiedene k(Wert der Nachbarn)-Werte.
Wenn wir ein Modell erstellen, möchten wir das k wählen, das zur besten Leistung führt. Und im vorherigen Kapitel haben wir gelernt, wie man die Leistung mit Kreuzvalidierung misst.
Eine Schleife auszuführen und Kreuzvalidierungsergebnisse für einige Bereiche von k-Werten zu berechnen, um den höchsten auszuwählen, klingt wie eine Selbstverständlichkeit. Und das ist der am häufigsten verwendete Ansatz. sklearn hat eine praktische Klasse für diese Aufgabe.

Der param_grid Parameter nimmt ein Wörterbuch mit Parameternamen als Schlüssel und eine Liste von Elementen, die durchlaufen werden sollen, als Liste. Zum Beispiel, um Werte von 1-99 für n_neighbors auszuprobieren, würden Sie verwenden:

param_grid = {'n_neighbors': range(1, 100)}

Die .fit(X, y) Methode führt das GridSearchCV Objekt dazu, die besten Parameter aus param_grid zu finden und das Modell mit den besten Parametern unter Verwendung des gesamten Satzes neu zu trainieren.
Sie können dann die höchste Punktzahl mit dem Attribut .best_score_ erhalten und neue Werte mit der Methode .predict() vorhersagen.