Como se mostró en los capítulos anteriores, las predicciones del modelo pueden variar dependiendo del valor de k (el número de vecinos). Al construir un modelo k-NN, es importante elegir el valor de k que proporcione el mejor rendimiento.

Un enfoque común es utilizar la validación cruzada para evaluar el rendimiento del modelo. Se puede ejecutar un ciclo y calcular las puntuaciones de validación cruzada para un rango de valores de k, y luego seleccionar aquel con la puntuación más alta. Este es el método más utilizado.

Para realizar esto, sklearn ofrece una herramienta conveniente: la clase GridSearchCV.

Constructor:

• GridSearchCV(estimator, param_grid, scoring, cv = 5)
• estimator — el objeto del modelo;
• param_grid — diccionario con los valores de los parámetros a probar;
• scoring — la métrica utilizada para la puntuación de validación cruzada;
• cv — el número de particiones (5 por defecto);

Métodos:

• fit(X, y) — entrena los modelos usando X, y;
• predict(X) — predice la clase para X;
• score(X, y) — devuelve la precisión para el conjunto X, y;

Atributos:

• best_estimator_ — objeto del modelo con la puntuación más alta;
• best_score_ — la puntuación del best_estimator_.

El parámetro param_grid recibe un diccionario donde las claves son los nombres de los parámetros y los valores son listas de opciones a probar. Por ejemplo, para probar valores de 1 a 99 para n_neighbors, se puede escribir:

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

Al llamar al método .fit(X, y) en el objeto GridSearchCV, se buscarán los mejores parámetros en la cuadrícula y luego se reentrenará el modelo en todo el conjunto de datos usando esos mejores parámetros.

Se puede acceder a la mejor puntuación usando el atributo .best_score_ y hacer predicciones con el modelo optimizado usando el método .predict(). De manera similar, se puede recuperar el mejor modelo utilizando el atributo .best_estimator_.