为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。

如果您设置参数的上下限和间隔，框约束和核尺度，应用程序将搜索最佳参数集。

libsvm交叉验证与网格搜索(参数选择)

主要功能svm_grid_search使用以下参数执行网格搜索：要使用的内核名称，内核值，boxconstraint值和kktviolatonlevel级别的值。 它给出了带有训练过的 SVM 的输出数组，显示 SVM 是否无法训练（收敛）的数组，以及训练、验证和测试集的准确性。 该功能易于升级和模式。 您可以使用 I/O 结构（在 svm_grid_search_structure 中），或列出所有变量的标准方式（在 svm_grid_search 中）。 对我来说，结构的使用更优雅，当必须在函数之间传递许多相同的变量时，更容易模式化。

ML-DecisionTree-RandomForest-GridSearch-RandomizedGridSearch 机器学习-决策树，随机森林，网格搜索，随机网格搜索

信用评估分类器的好坏能够直接影响信贷金融机构的盈利能力. 传统的网格搜索法进行参数寻优时会耗费大量的时间, 基于此提出改进的网格搜索法优化XGBoost (GS-XGBoost)的个人信用评估算法. 该算法利用随机森林进行特征选择后, 将改进的网格搜索法对XGBoost中的n_estimators和learning_rate进行参数寻优, 建立评估模型. 从UCI数据库中选取信贷数据进行分析, 分别与支持向量机、随机森林、逻辑回归、神经网络以及未改进的XGBoost进行比较. 实验结果表明, 该模型的F-score和G-mean的值均有提高.

为了提高煤矿主扇风机故障诊断的准确性,将网格搜索法和支持向量机(SVM)应用到主扇风机的故障诊断中。首先,建立主扇风机运行故障的知识库,并将采集到的主扇风机振动信号进行小波消澡和归一化;然后,设计了网格搜索参数优化SVM的主扇风机故障诊断模型。最后,通过工程现场提取的数据进行实验验证,并与遗传算法和粒子群算法寻优的时间和诊断结果准确率进行比较。实验结果表明,网格搜索法SVM参数优化非常适合于煤矿主扇风机的故障系统中。

网格搜索参数说明，数据集演示，当超参数过多，我们可以使用网格搜索一次性把最优的超参数组合列出来，skearn中超参数网格搜索方法grid Serach

任何对使用 Matlab 解决谜题感兴趣的人都可能会喜欢这个简单的代码。 它源于需要解决由澳大利亚的一位寻宝者提出的网格难题。 （查看寻宝网站上的 GC2YWE1 Minimax 了解更多详细信息，或者如果您不知道什么是寻宝：-） 该谜题要求您找出从 10 x 10 数字网格中选取的元素总和的最大值和最小值。 规则是每个元素都必须从唯一的行和列中选择。 经过一番摸索，我决定这是一个计算上不可约的问题。 我不确定我在这个假设中是否正确，但无论如何都在此基础上进行。 要解决它，您需要计算所有 10 个！ (3,638,800) 可能的总和并找到极限。 这个想法让我印象深刻，需要的是网格轨迹的计算。 Matlab 擅长使用“跟踪”功能。 方阵的对角线之和自动选取具有唯一行和列的元素，因此符合寻宝规则。 所需要的只是生成所有可能的 10！ 通过切换列（或行）从原始网格制成的矩阵，并计算它们的轨迹

网格搜索法在机器学习和深度学习中的小案例，使用Jupyter，压缩包包括： (1)data:letterdata.csv (2)Hyperparameter optimization.ipynb