参数不会进入scikit中的自定义估计器-学习GridSearchCV
。
首先，自定义估计器是指用户根据自己的需求和算法实现的机器学习模型。scikit-learn是一个流行的机器学习库，提供了许多内置的估计器（estimator），如线性回归、决策树、支持向量机等。但是，有时候内置的估计器无法满足用户的特定需求，这时就需要自定义估计器。
GridSearchCV是scikit-learn中的一个模型选择工具，用于通过交叉验证来选择最佳的模型超参数。它会遍历给定的参数组合，并对每个组合进行交叉验证，最终返回最佳的参数组合。
然而，参数不会直接进入自定义估计器中的GridSearchCV。这是因为自定义估计器的参数是由用户定义的，而GridSearchCV只能搜索内置估计器的参数。GridSearchCV通过fit方法将数据传递给估计器，并使用估计器的score方法评估模型性能。因此，自定义估计器需要实现fit和score方法，以便与GridSearchCV进行交互。
在自定义估计器中，可以定义一些参数，例如学习率、正则化参数等。这些参数可以在fit方法中使用，并通过GridSearchCV的param_grid参数指定不同的取值范围。在GridSearchCV的结果中，可以查看最佳参数组合，并使用这些参数重新训练模型。
总结起来，参数不会直接进入自定义估计器中的GridSearchCV。自定义估计器需要实现fit和score方法，并通过GridSearchCV的param_grid参数指定不同的参数取值范围。通过交叉验证，GridSearchCV可以选择最佳的参数组合，并重新训练模型。
相关·内容
可以在scikit-learn中调优嵌套管道的参数吗？例如：
svm = Pipeline([
('chi2', SelectKBest(chi2)),
('cls', LinearSVC(class_weight='auto'))
])
classifier = Pipeline([
('vectorizer', TfIdfVectorizer()),
('ova_svm', OneVsRestClassifier(svm))
})
parameters = ?
GridSe
浏览 6提问于2013-05-08得票数 17
回答已采纳
2回答
如果我在scikit学习库中使用GridSearchCV来找到最好的模型，那么它返回的最终模型是什么？也就是说，对于每一组超参数，我们都会训练CV (比如说3)模型的数量。这样，函数会返回这三个模型中的最佳模型以获得最佳的参数设置吗？
浏览 0提问于2018-03-23得票数 5
回答已采纳
1回答
我想将更多的数据传递给scikit中的转换器--学习：
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
import numpy as np
from sklearn.model_selection import GridSearchCV
class myTransformer(BaseEstimator, TransformerMixin):
浏览 5提问于2017-01-24得票数 3
回答已采纳
1回答
在scikit中的算法-学习中可能有一些参数，这些参数具有默认的选项范围，
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=1, **kwargs)
参数的默认值为"auto"，具有以下选项：algorithm：{‘auto’，‘ball_tree’，‘kd_tree’
浏览 3提问于2017-02-17得票数 0
回答已采纳
我正在运行GridSearch CV来优化scikit中分类器的参数。完成后，我想知道哪些参数被选为最佳参数。
每当我这样做的时候，我都会得到一个AttributeError: 'RandomForestClassifier' object has no attribute 'best_estimator_'，但我不知道为什么，因为它似乎是上的一个合法属性。
from sklearn.grid_search import GridSearchCV
X = data[usable_columns]
y = data[target]
X_train, X_tes
浏览 1提问于2015-05-07得票数 51
回答已采纳
我试图在单个GridSearchCV运行中设置不同管道步骤的比较。我唯一需要参考的例子是这个关于scikit的例子--学习，无法通过网络搜索找到任何其他信息。
关于这个例子，我有几个问题：
pipe = Pipeline([
('reduce_dim', PCA()),
('classify', LinearSVC())
])
N_FEATURES_OPTIONS = [2, 4, 8]
C_OPTIONS = [1, 10, 100, 1000]
param_grid = [
{
'reduce_dim
浏览 1提问于2018-02-26得票数 1
我的教科书上说，k倍交叉验证是一种重采样技术，对于在数据差的情况下估计泛化误差很有用。
理想情况下，如果我们有足够的数据，我们会留出一个验证集，并使用它来评估我们的预测模型的性能。由于数据往往是稀缺的，这通常是不可能的。为了解决这个问题，K折叠交叉验证使用部分可用数据来拟合模型，另一部分则用于测试。(Hastie，“统计学习的要素”，第7.10节，第241页)
对于一个机器学习项目，我使用Scikit- learning的网格搜索cv方法为我的随机森林寻找最佳的超参数。Scikit学习文档准确地推荐这个：
这是可能的，并建议搜索超参数空间，以获得最佳交叉验证分数。..。提供了两种常用的参数搜索
浏览 0提问于2022-02-23得票数 2
我需要结合来自OpenAPI的Scikit预处理管道和Tensorflow作为学习后端，而不是Scikit学习后端。Scikit管道是否支持使用Tensorflow的后端？
浏览 0提问于2019-01-08得票数 1
回答已采纳
1回答
我正在生成一个5000 *6数组，并使用来自scikit学习的KDE和来自statsmodel的MultivariateKDE来评估ln(概率密度)。由于两种方法都可以处理多维数据，所以我希望使用这两种方法都能得到相同的结果。但是，结果是不同的。当我查看带宽的价值时，我看到了scikit--学习KDE使用标量值来表示带宽，而多元KDE使用一维数组来表示带宽。
那么，哪个带宽是正确的?
我正在附加下面的代码片段，
# Generating random data
rng = np.random.RandomState(42)
X = rng.random_sample((5000,6))
#
浏览 1提问于2021-04-21得票数 0
我试图用GridSearchCV创建一个随机森林模型，但是得到了一个与param_grid相关的错误："ValueError: ValidalParametermax_features用于估值器管道。请使用`estimator.get_params().keys()检查可用参数列表“。我对文件进行分类，所以我也把tf-国防军的向量器推到管道上。以下是代码：
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classifi
浏览 3提问于2016-01-19得票数 30
2回答
我正在使用python，我想使用嵌套交叉验证与scikit学习。我找到了一个很好的
NUM_TRIALS = 30
non_nested_scores = np.zeros(NUM_TRIALS)
nested_scores = np.zeros(NUM_TRIALS)
# Choose cross-validation techniques for the inner and outer loops,
# independently of the dataset.
# E.g "LabelKFold", "LeaveOneOut", "LeaveOne
浏览 10提问于2017-01-26得票数 4
回答已采纳
在二进制分类设置中，基于区域的模型调优需要一个可以阈值化的模型输出。
但是，在scikit学习中，支持向量分类器在默认情况下不会生成类概率。
例如，使用GridSearchCV和scoring=make_scorer(roc_auc_score, needs_threshold=False)对SVC模型进行调优是不正确的，因为AUC的分数将根据每个CV折叠中的预测类来计算。无论我们使用SVC(probability=True)还是SVC(probability=False)，都会发生这种情况。另一方面，scoring=make_scorer(roc_auc_score, needs_thres
浏览 1提问于2018-08-18得票数 2
回答已采纳
似乎科学知识的GridSearchCV收集其(内部)交叉验证折叠的分数，然后在所有折叠的分数之间进行平均。我想知道这背后的理由。乍一看，将交叉验证折叠的预测收集起来，然后将所选的评分标准应用于所有折叠的预测，似乎更加灵活。
我偶然发现这一点的原因是，我在一个不平衡的数据集上使用了GridSearchCV和cv=LeaveOneOut()和scoring='balanced_accuracy' (scikit-learn v0.20.dev0)。对每一个被丢弃的样本应用诸如平衡精度(或回忆)之类的评分标准是没有意义的。相反，我想先收集所有预测，然后再将我的评分标准应用于所有预测。
浏览 0提问于2017-11-30得票数 5
回答已采纳
我修改了scikit的类-学习使用softmax可见单元组。在这个过程中，我添加了一个额外的Numpy数组visible_config作为类属性，它在构造函数中被初始化，如下所示：
self.visible_config = np.cumsum(np.concatenate((np.asarray([0]),
visible_config), axis=0))
其中visible_config是作为输入传递给构造函数的块数组。当我直接使用fit()函数训练模型时，代码运行时没有错误。但是，当我使用GridSearchCV结构时，我
浏览 0提问于2014-07-01得票数 19
回答已采纳
是否有可能执行一个GridSearchCV (以获得最佳支持向量机的C)，但却指定sample_weight与科学工具包-学习？
下面是我的代码和我面临的错误：
gs = GridSearchCV(
svm.SVC(C=1),
[{
'kernel': ['linear'],
'C': [.1, 1, 10],
'probability': [True],
'sample_weight': sw_train,
}]
)
gs.
浏览 6提问于2012-10-24得票数 16
在这个简单的例子中，我用GridSearchCV训练了一个学习者。我想返回最好的学习者的混淆矩阵时，预测的全套X。
lr_pipeline = Pipeline([('clf', LogisticRegression())])
lr_parameters = {}
lr_gs = GridSearchCV(lr_pipeline, lr_parameters, n_jobs=-1)
lr_gs = lr_gs.fit(X,y)
print lr_gs.confusion_matrix # Would like to be able to do this
谢谢
浏览 7提问于2016-03-22得票数 10
回答已采纳
在scikit的(0.18.1)文档中，我发现下面的内容有点混乱。似乎写你自己的记分函数是可行的，以多种方式。但有什么区别呢？
将scoring参数作为一个：
带有签名scorer(estimator, X, y)的记分器可调用对象/函数
也支持此选项。
相反，需要一个score_func作为一个：
带有签名score_func(y, y_pred, **kwargs)的评分函数(或损失函数)
示例
GridSearchCV(scoring=dummy_scorer)和GridSearchCV(scoring=make_scorer(dummy_scorer2))都会打印预期的
浏览 1提问于2017-04-20得票数 2
回答已采纳
1回答
我在Ubuntu16.04上的Google上运行了木星笔记本。VM有8个CPU和32 GB内存(并且可以轻松地增加)。当我运行一些ML脚本时，我可以看到VM没有完全加载。我注意到为n_jobs = 16添加GridSearchCV很有帮助:虚拟机100%加载，计算速度更快。
有两个问题：
为了确保我使用VM的全部功能，我应该寻找什么其他参数来学习scikit学习函数呢？例如，用拟合、变换、预测等方法。
除了CPU和内存之外，VM中还有其他参数需要修改以加快ML任务的速度吗？
谢谢，亚历克斯
浏览 2提问于2017-12-25得票数 1
回答已采纳
我试图用GridSearchCV和管道建立一个多输出模型.管道给我带来了麻烦，因为标准分类器示例没有包装分类器的OneVsRestClassifier()。我正在使用scikit-学习0.18和python 3.5
## Pipeline: Train and Predict
## SGD: support vector machine (SVM) with gradient descent
from sklearn.multiclass import OneVsRestClassifier
from sklearn.pipeline import Pipeline
from sklearn.
浏览 0提问于2016-11-01得票数 14
回答已采纳
1回答
下面是一个使用scikit的例子--学习从k近邻获得交叉验证的预测，而k是由交叉验证选择的。这段代码似乎有效，但我如何打印在每个外部折叠中选定的k呢？
import numpy as np, sklearn
n = 100
X = np.random.randn(n, 2)
y = np.where(np.sum(X, axis = 1) + np.random.randn(n) > 0, "blue", "red")
preds = sklearn.model_selection.cross_val_predict(
X = X,
y
浏览 0提问于2019-04-14得票数 2
回答已采纳
我打算在tflearn模型的超参数上执行网格搜索。似乎tflearn.DNN生产的模型与sklearn的GridSearchCV期望不兼容：
from sklearn.grid_search import GridSearchCV
import tflearn
import tflearn.datasets.mnist as mnist
import numpy as np
X, Y, testX, testY = mnist.load_data(one_hot=True)
encoder = tflearn.input_data(shape=[None, 784])
encoder =
浏览 25提问于2016-08-16得票数 2
我想在gridSearchCV的得分函数中使用inertia_，它是K-means：https://scikit-learn.org/stable/modules/classes.html#module-sklearn.cluster中的属性。 我尝试使用make_scorer :https://scikit-learn.org/stable/modules/generated/sklearn.metrics.make_scorer.html#sklearn.metrics.make_scorer来定义自定义函数 但是我面临的问题是“你不能在my_scorer中使用k-means的inert
浏览 271提问于2019-05-15得票数 1
我从scikit学习文档中查看这个示例：
在我看来，交叉验证在这里不是以一种公正的方式执行的。GridSearchCV (据说是内部CV循环)和cross_val_score (据称是外部CV循环)都使用相同的数据和相同的折叠。因此，对分类器进行训练和评估的数据之间存在重叠。我做错什么了？
浏览 4提问于2016-12-13得票数 4
scikit学习具有两个逻辑回归函数：
sklearn.linear_model.LogisticRegression
sklearn.linear_model.LogisticRegressionCV
我只是好奇第二份简历代表什么。我在ML中唯一知道的与"CV“匹配的缩略语是交叉验证，但我猜不是这样，因为这将在带有包装器函数的scikit中实现，而不是逻辑回归函数本身的一部分(我认为)。
浏览 19提问于2017-09-30得票数 25
回答已采纳
1回答
我正在使用Python和实现scikit-learn库来解决一些文本文档上的二进制分类问题，我希望尝试不同的模型来比较和对比结果--主要使用朴素贝叶斯分类器、支持向量机和CV=5。考虑到后两个模型使用gridSearchCV()，我发现很难将所有方法合并到一个管道中。由于并发性问题，在单个实现期间不能运行多个管道，因此我需要使用一个管道实现所有不同的模型。
这是我现在拥有的，
# pipeline for naive bayes
naive_bayes_pipeline = Pipeline([
('bow_transformer', CountVectorizer(a
浏览 1提问于2018-01-29得票数 10
2回答
我使用GridSearchCV来识别最优参数，但我不确定如何实际使用最优参数，即在下面的代码中，在第三行中，我的结果在更改第一行后不会改变(例如，如果我更改参数空间，或者用精度替换回忆等等)。
cv = GridSearchCV(pipeline, parameters, cv=len(range(2014,2019)), scoring='recall', refit=True)
cv.fit(X,y)
y_pred = cross_val_predict(cv, X, y, cv=len(range(2014,2019)))
是否有办法确保，无论在GridSearchCV中
浏览 0提问于2019-04-08得票数 3
回答已采纳
GridSearchCV和RandomizedSearchCV的best_estimator_是：
通过简单的评分方法之一:精确性、召回性、精确性等，只返回最佳的估计量。基于训练集的评估仅基于。
我想丰富这些限制
我自己对methodsEvaluate评分的定义是在测试集上进一步评分，而不是GridSearchCV所做的训练。最终，测试集的性能才是重要的。在我的网格搜索中，训练集倾向于提供几乎完美的精度。
我正在考虑通过以下方式来实现这一目标：
RandomizedSearchCVWith 获取GridSearchCV和GridSearchCV中的单个估计量/模型，在测试集上进行预测，并使用自
浏览 6提问于2020-07-12得票数 0
3回答
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
def build_classifier():
classifier = Sequential()
classifier.add(Dense(units = 6 , init='uniform' , activation= 'relu'))
classifier.add(Dense(units = 6 , init='uniform&#
浏览 0提问于2018-12-17得票数 11
回答已采纳
在训练数据集上交叉验证超参数网格后，SparkML的CrossValidator是否重新适合整个训练数据集？如果不是，它会从交叉验证的哪一部分中选择用于推断的bestModel？
拟合的CrossValidator使.transform()方法可用。为此，CrossValidator是否使用最佳超参数在整个训练/交叉验证数据集上重新训练，并使用重新拟合的模型进行推理？
或者，bestModel用于推断所有交叉验证文件夹中的最佳性能模型(即，来自最佳性能超参数组合的最佳文件夹中的模型，仅对该文件夹的数据进行训练)？
我之所以这样问，是因为SparkML CrossValidator和scikit
浏览 22提问于2021-03-23得票数 0
2回答
我使用spaCy为scikit编写了一个引理令牌器--基于他们的学习，它可以独立运行：
import spacy
from sklearn.feature_extraction.text import TfidfVectorizer
class LemmaTokenizer(object):
def __init__(self):
self.spacynlp = spacy.load('en')
def __call__(self, doc):
nlpdoc = self.spacynlp(doc)
nlpdoc
浏览 5提问于2017-07-19得票数 8
回答已采纳
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV
#giving params for a linear , rbf , poly and sigmoid
params_grid = [ { 'kernel':['linead'] , 'C':[1,10,100,1000] } ,
{ 'kernel':['rbf'] , 'gamma&
浏览 39提问于2020-10-31得票数 0
我正在使用非常棒的scikit-optimize工具箱来进行超参数优化。我的目标是比较keras和scikit-learn模型。 根据示例https://scikit-optimize.github.io/stable/auto_examples/sklearn-gridsearchcv-replacement.html#sphx-glr-auto-examples-sklearn-gridsearchcv-replacement-py，仅使用了scikit学习模型。尝试下面的代码不允许在BayesSearchCV中集成keras模式。 # Function to create model,
浏览 59提问于2020-05-02得票数 1
回答已采纳
1回答
我想监视给定Python函数的执行过程(对于那些知道它的人来说，GridSearchCV来自机器学习包Scikit学习)。要做到这一点，如果函数有一个参数verbose，我可以将详细信息设置为1或10，不管怎样。不过，我也希望有一些时间监察。我的想法是每次在控制台中打印东西时在控制台上打印一个计时器(在本例中，打印将来自GridSearchCV的激活)，让我们称之为printing function。
我的问题如下：
在控制台中打印某些内容时，Python中有执行程序的方法吗？
我在这里看到的一个困难是，当我执行所有这些指令(函数GridSearchCV，printing functi
浏览 4提问于2016-01-10得票数 0
我正在运行一个GridSearchCV和一个OneVsRestClasssifer，使用SVC作为估计器。这是我的Pipeline和GridSearchCV参数的方面：
pipeline = Pipeline([
('clf', OneVsRestClassifier(SVC(verbose=True), n_jobs=1)),
])
parameters = {
"clf__estimator__C": [0.1, 1],
"clf__estimator__kernel": ['poly', &
浏览 10提问于2017-04-09得票数 0
回答已采纳
2回答
我以前使用过Scikit- learning的GridSearchCV来优化我的模型的超参数，但只是想知道是否存在类似的工具来优化Tensorflow的超参数(例如，的历元数、学习速率、滑动窗口大小等)。
如果不是，我如何实现有效运行所有不同组合的代码段？
浏览 2提问于2017-06-28得票数 20
回答已采纳
我正在尝试为一个多类分类问题在scikit learn中为GridSearchCV设置评分函数。
我的问题是，fbeta_score和precision_recall_fscore_support之间的区别是什么？
precision_recall_fscore_support返回多个值。GridSearchCV使用哪个值/分数？它是否被设计为与GridSearchCV一起使用？
浏览 1提问于2015-12-17得票数 0
我已经在我的管道中定义了模型的超参数，算法在执行时可能使用GridsearchCV，如果这样做，那么前面在管道中定义的超参数会发生什么变化？
管道
pipe_nusvc = Pipeline([('clfnu', NuSVC(nu=0.5,kernel='rbf'))])
我可以使用
pipe_nusvc['clfnu'].cache_size=300
如果使用了cache_size，我会考虑从管道中删除添加的GridsearchCV。
如果使用GridsearchCV，则管道中定义的cache_size=300仍然存在，并且在运行过程中没有解决
浏览 0提问于2021-09-12得票数 0
回答已采纳
我在scikit工作，我正在尝试调整我的XGBoost。我尝试使用嵌套交叉验证，使用管道重新标度训练折叠(以避免数据泄漏和过度拟合)，并平行于GridSearchCV的param调优和cross_val_score，以得到roc_auc评分在最后。
from imblearn.pipeline import Pipeline
from sklearn.model_selection import RepeatedKFold
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import
浏览 0提问于2018-09-02得票数 4
回答已采纳
1回答
所以基本上我想要的是并行运行ML流水线。我一直在使用scikit learn，我决定使用DaskGridSearchCV。
我有一个gridSearchCV = DaskGridSearchCV(pipeline, grid, scoring=evaluator)对象的列表，我按顺序运行每个对象：
for gridSearchCV in list:
gridSearchCV.fit(train_data, train_target)
predicted = gridSearchCV.predict(test_data)
如果我有N个不同的GridSearch对象，我希望尽可能多
浏览 0提问于2017-05-08得票数 5
在scikit learn中，GridSearchCV()支持'roc_auc‘作为评分函数。它在n折交叉验证中工作得很好，但是如果我使用LeaveOneOut，它就不能工作并生成错误消息。
ValueError: Only one class present in Y. ROC AUC score is not defined in that case.
虽然使用AUC绘制只有一个样本似乎是不可能的，但其他语言，如R，支持LeaveOneOut的roc_auc。
如何使用python和scikit-learn进行计算？如果这是不可能的，使用大折叠交叉验证结果会喜欢吗？
浏览 0提问于2015-12-30得票数 2
我正在查看关于GridSearchCV的sklearn文档网页。best_estimator_是GridSearchCV对象的一个属性。所以这是我的问题。如何向GSCV对象传递多个估计器？
使用如下字典：{'SVC()':{'C':10, 'gamma':0.01}, ' DecTreeClass()':{....}}
浏览 2提问于2018-08-01得票数 15
回答已采纳
我使用GridSearchCV来找出模型的最佳超参数。cross_val_score用于模型评估。我如何才能发现，对于每一个折叠，哪个超参数是由GridSearchCV推导出来的？
浏览 0提问于2016-04-13得票数 1
1回答
我试图在gridSearchCV函数中使用arima模型，但它返回
"TypeError:无法克隆对象‘(类型)：它似乎不是一个科学工具--学习估计器，因为它没有实现'get_params’方法。“
import numpy as np
import pandas as pd
from sklearn.grid_search import GridSearchCV
from statsmodels.tsa.arima_model import ARIMA
df_original = pd.DataFrame({"date_col": ['2016-08-
浏览 2提问于2016-12-30得票数 2
更新：我必须重写这个问题，因为经过一些调查后，我意识到这是一个不同的问题。
上下文:在gridsearch设置中运行keras，使用带有scikit的keras分类器包装器学习。Sys: Ubuntu16.04，库: anaconda发行版5.1，keras 2.0.9，scikitlearn 0.19.1，tensorflow 1.3.0或theano 0.9.0，只使用CPU.
代码：我只使用这里的代码进行测试：，第二个示例“网格搜索深度学习模型参数”。请注意第35行，内容如下：
grid = GridSearchCV(estimator=model, param_grid=param_g
浏览 2提问于2017-11-28得票数 6
1回答
使用Scikit-learn执行自定义参数搜索CV的最佳方法是什么？我真的很喜欢GridSearchCV。但是，对于我的情况，param_grid参数是不灵活的，因为它将搜索整个参数组合的跨度。理想情况下，我希望在dataframe中提供自己的参数空间，每个参数都有一列。
因此，在Scikit中是否有一个合适的类来帮助我实现这个结果？
浏览 0提问于2021-01-08得票数 2
回答已采纳
我试图链接网格搜索和递归功能消除在一个管道使用scikit学习。
带有“裸”分类器的GridSearchCV和RFE工作得很好：
from sklearn.datasets import make_friedman1
from sklearn import feature_selection
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
est = SVR(k
浏览 0提问于2016-04-17得票数 17
回答已采纳
当支持向量回归模型(SVR)嵌入到管道和网格搜索中时，我在scikit learn中访问该模型的系数时遇到了问题。考虑以下示例：
from sklearn.datasets import load_iris
import numpy as np
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.pipeline import Pipeline
iris = load_iri
浏览 0提问于2016-11-13得票数 2
(和或)是如何在scikit中实现的？我想知道以下几点:在使用这些技术之一时，如何考虑以下几个方面：
验证集
模型选择
超参数调谐
预测
？下面是一幅总结了我的困惑的图片：
什么时候和多久发生一次？为了保持简单，让我们假设一个单独的神经网络作为我们的模型。我迄今为止的理解是：
在第一次迭代中，该模型适用于训练褶皱，分为不同的褶皱。在这里，我已经挣扎了:模型是在单个折叠上训练，然后在验证折叠上测试吗？接下来的折叠会发生什么？模型是否保持其第一次训练折叠所获得的权重，还是为下一次训练重新初始化？
更准确地说:在第一次迭代中，模型是否适合于四次，是否在所有折叠之间
浏览 7提问于2019-10-15得票数 3
回答已采纳
1回答
我正在用scikit learn制作一个混合集成模型。我尝试使用堆叠分类器来集成模型，其中我使用随机森林、SVM和朴素贝叶斯以及Logistic回归作为元估计器。我正在使用上的心脏病数据集。问题是单人技术比混合技术表现得更好。我的混合模型使用了5折验证的gridsearchCV和其他最佳参数的技术。虽然我的独奏技术，我正在比较模型，有默认的参数。我做错了什么。
逻辑回归：
C = [0.01,0.1, 1, 5, 10]
Log = LogisticRegression()
parameters = {'C': [.1 ,2, 5, 10, 15, 20]}
log_re
浏览 2提问于2021-10-29得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
