LinearRegression使用RandomizedSearchCV 参数调优代码

以下是使用RandomizedSearchCV进行参数调优的LinearRegression代码：

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import RandomizedSearchCV
import numpy as np

# 创建LinearRegression模型
model = LinearRegression()

# 定义参数空间
param_space = {
    'fit_intercept': [True, False],
    'normalize': [True, False],
    'copy_X': [True, False],
    'n_jobs': np.arange(1, 5)
}

# 创建RandomizedSearchCV对象
search = RandomizedSearchCV(model, param_space, n_iter=20, cv=5, random_state=42)

# 加载数据并训练模型
search.fit(X_train, y_train)

# 输出最佳参数和最佳得分
print("Best parameters: ", search.best_params_)
print("Best score: ", search.best_score_)

在上面的代码中，我们首先创建一个LinearRegression模型，然后定义了一个参数空间，其中包含了fit_intercept、normalize、copy_X和n_jobs四个参数的可能取值范围。接着，我们创建了一个RandomizedSearchCV对象，并传入了模型、参数空间、迭代次数、交叉验证次数和随机种子等参数。最后，我们调用fit方法来训练模型，并输出最佳的参数和得分