1樓：liaoyanjun
我理解你的意思是先做網格搜尋，選擇一組引數，然後做交叉驗證是不。答案是完全可以，你得到的就是一組引數對應的交叉驗證的均值。交叉驗證的均值好，引數就說明優秀。
但是如果資料很大，程式會很慢。
2樓：哈哈祥
GridSearchCV，它存在的意義就是自動調參，只要把引數輸進去，就能給出最優化的結果和引數。但是這個方法適合於小資料集，一旦資料的量級上去了，很難得出結果。這個時候就是需要動腦筋了。
資料量比較大的時候可以使用乙個快速調優的方法——座標下降。它其實是一種貪心演算法：拿當前對模型影響最大的引數調優，直到最優化；再拿下乙個影響最大的引數調優，如此下去，直到所有的引數調整完畢。
這個方法的缺點就是可能會調到區域性最優而不是全域性最優，但是省時間省力，巨大的優勢面前，還是試一試吧，後續可以再拿bagging再優化。
通常演算法不夠好，需要除錯引數時必不可少。比如SVM的懲罰因子C，核函式kernel，gamma引數等，對於不同的資料使用不同的引數，結果效果可能差1-5個點，sklearn為我們提供專門除錯引數的函式grid_search。
Grid Search：一種調優方法，在引數列表中進行窮舉搜尋，對每種情況進行訓練，找到最優的引數；由此可知，這種方法的主要缺點是比較耗時！
網格搜尋 GridSearchCV\訓練集、驗證集和測試集
在使用lenet網路訓練資料時，開始訓練集loss大於驗證集，最後驗證集loss大於訓練集，正常嗎？
seaning 訓練開始時，訓練資料集和驗證資料集的loss都比較大，隨著迭代次數的增加，訓練資料集和驗證資料集的loss都開始下降，最終訓練結束時如果訓練資料集的loss低於驗證資料集很有可能發生了過擬合現象。 不知道起啥名字 這個情況是正常的.首先說明一點,訓練集的loss跟驗證集的loss沒有...
為什麼測試集的loss大於訓練集的loss，這是正常的嗎？
愛吃牛油果的璐璐 可以試試調整學習率和batchsize，劃分資料集的時候如果不是時序資料，可以試試shuffle之後劃分訓練集和測試集，以及留出法看下loss有沒有變化。 胡衛雄 一般來說，模型訓練完成，測試集的誤差是應該略大於訓練集的誤差的，但也不排除一些偶爾的情況，神經網路本身的一些東西還是挺...
在深度學習中，如果訓練集和測試集的範圍不一致，該如何進行歸一化或者標準化處理？
王華 如果你的測試集和訓練集不能動。那就乾脆縮放吧，都縮放到0 1之間。雖說，前面有說訓練集和測試集要同分布，說的很堅決，必須要。我是不同意這種說法的，分布這種本身概念就很模糊。打過各種比賽，神經網路需要效果優先的，你可以試試縮放法。 華矩數診台 你可以使用歸一化，訓練集0 10，歸一化不就是X X...