Scikit -规模与网格搜索相结合
Scikit -规模与网格搜索相结合
提问于 2015-12-03 04:06:15
我是新的科学工具包，有两个轻微的问题，结合一个数据规模和网格搜索。
- 有效定标器
考虑到交叉验证，我希望每次我们在K-1折叠上训练模型时，数据定标器(例如，使用preprocessing.StandardScaler() )只适合于K-1折叠，然后应用于其余的折叠。
我的印象是，下面的代码将适合于整个数据集上的定标器，因此，我想修改它，使其像前面所描述的那样运行：
classifier = svm.SVC(C=1)
clf = make_pipeline(preprocessing.StandardScaler(), classifier)
tuned_parameters = [{'C': [1, 10, 100, 1000]}]
my_grid_search = GridSearchCV(clf, tuned_parameters, cv=5)- 取回内标量装置
当refit=True“在”网格搜索之后，模型在整个数据集上进行重构(使用最佳估计器)，我的理解是，管道将再次被使用，因此定标器将适合于整个数据集。理想情况下，我希望重用适合我的“测试”数据集。有什么方法可以直接从GridSearchCV检索它吗？
回答 1
Stack Overflow用户
回答已采纳
发布于 2015-12-03 18:03:52
- GridSearchCV对管道对象一无所知；它假设提供的估计器是原子的，因为它不能只选择某个特定阶段(例如，StandartScaler)，不能在不同的数据上适应不同的阶段。所有GridSearchCV都会在所提供的估计器上调用fit(X，y)方法，其中X，y-一些数据的分裂。因此，它适用于所有阶段在同一分裂。
- 试试这个：
best_pipeline = my_grid_search.best_estimator_ best_scaler = best_pipeline["standartscaler"] - 如果将变压器/估值器封装到管道中，则必须在每个参数的名称(例如：
tuned_parameters = [{'svc__C': [1, 10, 100, 1000]}])中添加前缀，请参阅这些示例以获得更多详细信息( 多特征提取方法的比较、流水线:将PCA和logistic回归链接起来 )。
不管怎样，看看这个，它可能会帮助你GridSearchCV。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/34057716
复制相关文章
相似问题
腾讯云开发者
