我在使用GridSearchCV对决策树进行超参数调优。我已经拟合了模型，并试图找出Gridsearch.cv_results_到底返回了什么。我已经阅读了文档，但仍然不清楚。有人能解释一下这个属性吗？
我的代码如下：
depth={"max_depth":[1,5,10,50,100,500,1000], "min_samples_split":[5,10,100,500]} DTC=DecisionTreeClassifier(class_weight="balanced")DTC_Grid=GridSearchCV(DTC,param_grid=depth , cv=3, scoring='roc_auc')DTC_Bow=DTC_Grid.fit(xtrain_bow,ytrain_bow) 回答：
DTC_Bow.cv_results_返回一个包含网格搜索所有评估指标的字典。为了正确可视化这些数据，你可以这样做
pd.DataFrame(DTC_Bow.cv_results_)在你的案例中，这应该会返回一个包含28行的数据框（7个max_depth选项乘以4个min_samples_split选项）。数据框的每一行都给出了这两个参数的一个组合的网格搜索指标。请记住，网格搜索的目标是选择哪种参数组合将具有最佳的性能指标。这正是cv_results_的用途。
你应该有一个名为param_max_depth的列和另一个名为param_min_samples_leaf的列，它们分别引用每行的参数值。这两个的组合在params列中以字典形式总结。
现在来说说指标。直到目前为止，return_train_score的默认值是True，但在0.21版本中他们将把它改为False。如果你想要训练集的指标，可以将其设置为True。但通常，你更感兴趣的是测试集的指标。
最主要的列是mean_test_score。这是split_0_test_score, split_1_test_score, split_2_test_score列的平均值（因为你在网格搜索中进行了3折分割）。如果你执行DTC_Bow.best_score_，它将返回mean_test_score列的最大值。rank_test_score列根据mean_test_score的值对所有参数组合进行排名。
你可能还想查看std_test_score，这是split_0_test_score, split_1_test_score, split_2_test_score的标准差。如果你想了解你的参数集在保留数据上的表现是否一致，这可能是有趣的。
如前所述，只要你设置return_train_score = True，你也可以得到训练集上的指标。
最后，还有一些时间列，告诉你每行花费了多少时间。它测量了训练模型（mean_fit_time, std_fit_time）和评估它（mean_score_time, std_score_time）所需的时间。这只是一个信息，除非时间是一个瓶颈，否则你通常不会关注这些指标。
