在GridSearchCV中如何/在何处使用StandardScaler
在GridSearchCV中使用StandardScaler的方法是将StandardScaler作为一个步骤添加到Pipeline中，然后在GridSearchCV的参数中指定Pipeline。StandardScaler是一种数据预处理技术，用于将特征数据进行标准化处理，使得数据的均值为0，方差为1，以提高机器学习模型的训练效果。
以下是在GridSearchCV中使用StandardScaler的示例代码：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
# 创建一个Pipeline对象，将StandardScaler作为一个步骤添加到Pipeline中
pipeline = Pipeline([
('scaler', StandardScaler()),
('clf', SVC())
])
# 定义参数网格
param_grid = {
'clf__C': [0.1, 1, 10],
'clf__kernel': ['linear', 'rbf']
}
# 创建GridSearchCV对象，指定Pipeline和参数网格
grid_search = GridSearchCV(pipeline, param_grid=param_grid)
# 使用GridSearchCV进行模型训练和参数调优
grid_search.fit(X_train, y_train)
# 输出最佳模型的参数和评分
print("Best parameters found: ", grid_search.best_params_)
print("Best score found: ", grid_search.best_score_)在上述代码中，我们首先创建了一个Pipeline对象，将StandardScaler作为第一个步骤添加到Pipeline中，然后将SVC作为第二个步骤添加到Pipeline中。接着定义了参数网格param_grid，其中包括了SVC模型的参数C和kernel的不同取值。最后创建了GridSearchCV对象，指定了Pipeline和参数网格，并使用fit方法进行模型训练和参数调优。最后输出了最佳模型的参数和评分。
推荐的腾讯云相关产品：
- 云服务器CVM：https://cloud.tencent.com/product/cvm
- 弹性负载均衡CLB：https://cloud.tencent.com/product/clb
- 云数据库MySQL版：https://cloud.tencent.com/product/cdb_mysql
- 人工智能平台AI Lab：https://cloud.tencent.com/product/ailab
- 云存储COS：https://cloud.tencent.com/product/cos
相关·内容
1回答
对于超参数调优，我使用来自package sklearn的函数sklearn。我测试的一些模型需要特征缩放(例如支持向量回归- SVR)。最近，在Udemy课程机器学习A-Z™：中，教员提到对于SVR，目标也应该进行缩放(如果不是二进制的话)。考虑到这一点，我想知道在GridSearchCV执行的交叉验证过程的每一次迭代中，目标是否也是缩放的，或者是否只缩放了这些特性。请参阅下面的代码，该代码说明了我用于对需要对培训集进行缩放的估计器进行超参数优化的正常过程：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessi
浏览 1提问于2021-04-17得票数 2
回答已采纳
我一直在研究这个分类问题，使用sklearn的管道将预处理步骤(scaling)和交叉验证步骤(GridSearchCV)结合使用Logistic回归。
以下是简化的代码：
# import dependencies
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, Standa
浏览 1提问于2020-09-02得票数 1
我正在使用scickit-learn调优一个模型的超参数。我使用管道将预处理与估计器链接在一起。我的问题的一个简单版本如下所示：
import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
grid = GridSearchCV(m
浏览 2提问于2017-04-12得票数 33
回答已采纳
因此，我发现StandardScaler()可以使我的RFECV在我的GridSearchCV中，每一个都在嵌套的3倍交叉验证上运行得更快。没有StandardScaler()，我的代码运行了超过2天，所以我取消了，并决定将StandardScaler注入到进程中。但现在它已经跑了4个多小时了，我不知道我是否做得对。这是我的代码：
# Choose Linear SVM as classifier
LSVM = SVC(kernel='linear')
selector = RFECV(LSVM, step=1, cv=3, scoring='f1')
pa
浏览 0提问于2019-01-07得票数 0
我尝试使用管道和GridSearchCV的自定义回归函数。
通过设置sklearn.svm.SVR类，然后在设置GridSearchCV时从字典中传递参数，我获得了使用GridSearchCV的方法。
当使用我自己的回归函数(RegFn)时，我似乎无法做同样的事情。特别是，在设置参数字典时，我希望将这些值从参数字典传递给RegFn。
感谢任何关于如何让这件事发挥作用的建议。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
from sklearn
浏览 0提问于2018-04-04得票数 1
回答已采纳
我使用GridSearchCV在我的支持向量机模型中找到了最佳的超参数。但是我对进球有点困惑。这是我的网格搜索代码：
# Train SVM with GridSearchCV
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
pipe = Pipeline([
('scaler', Stand
浏览 6提问于2021-08-27得票数 1
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
数据预处理(如StandardScaler )应该用于fit_transform火车组，并且只转换(不适合)测试集。我希望同样的fit/transform流程适用于模型优化的交叉验证。但是，我找到了cross_val_score和GridSearchCV fit_transform --使用预处理器的整个火车集(而不是fit_transform inner_train集，并转换inner_validation集)。我相信这是人为地从inner_validation集合中删除了方差，这使得cv评分(GridSearch用于选择最佳模型的度量)有偏差。这是个问题还是我真的错过了什么？
为了演示上述
浏览 0提问于2019-08-26得票数 7
回答已采纳
1回答
在sklearn中，我们可以使用管道中的列转换器对特定的列应用预处理选项，如下所示：
import pandas as pd
from sklearn.preprocessing import MaxAbsScaler, MinMaxScaler, StandardScaler, ...
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.pipeline import Pipeline
from sklearn.neural_network import MLPClassifi
浏览 1提问于2021-12-02得票数 0
回答已采纳
2回答
我有一个使用决策树作为估计器的GridsearchCV
现在，我想绘制与GridsearchCV的best_estimator相对应的决策树
有一些关于堆栈溢出的回复，但没有一个考虑在GridsearchCV中使用管道
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeRegressor, plot_tree
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearc
浏览 25提问于2021-06-18得票数 0
基于这里的答案，我尝试将GridSearchCV用于多类情况：
但是我得到了值错误，multiclass format is not supported.
如何将此方法用于多类情况？
下面的代码来自上面链接中的答案。
import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
fr
浏览 0提问于2015-07-07得票数 7
回答已采纳
2回答
管道C参数误差
、、、
我试图为我的数据集构建一个分类器，我在一起使用我的gridsearchCV和管道时遇到了问题。这是我的代码：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import Imputer, StandardScaler
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.linear_model import LogisticRegression
from skl
浏览 0提问于2019-01-14得票数 2
2回答
是否有一种方法可以访问在GridSearchCV进程中计算出来的预测值？
我希望能够根据它们的实际值(从测试/验证集)绘制预测的y值。
一旦网格搜索完成，我可以使用
ypred = grid.predict(xv)
但我希望能够绘制在网格搜索过程中计算出来的值。也许有一种方法可以把熊猫的数据保存下来？
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV, KFold,
cross_val_score, train_test_split
from s
浏览 0提问于2018-04-03得票数 6
回答已采纳
我正在研究一个回归问题，并希望评估使用不同标准化方法(StandardScaler、RobustScaler、Normalizer、.)的效果。稍后，我还想评估处理丢失数据的不同方法(SimpleImputer、IterativeImputer)。
这是我目前的设置。
# Create some dummy data
X = pd.DataFrame({
'x1': np.random.rand(1000)*123 - 83,
'x2': np.random.rand(1000)*23 + 34
})
y = X['x1'] *
浏览 1提问于2019-05-17得票数 2
回答已采纳
我正在做弹性网络回归，并试图使用GridSearchCV估计最佳的超参数。但是，当我将GridSearchCV中的评分从默认的r2更改为mean_squared_error时，GridSearchCV将每个特征系数设为0。我不知道为什么会这样。
下面是代码。
param={
'elastic__alpha':np.linspace(.1,1,15),
'elastic__l1_ratio':np.linspace(0,1,30)
}
pipe=Pipeline([('scalar',StandardScaler()),('elastic&
浏览 0提问于2020-09-23得票数 0
我有一个GridSearchCV，它的管道如下所示：
numeric_transformer = Pipeline(steps=[
('imputer', SimpleImputer(strategy='most_frequent')),
('scaler', StandardScaler())
])
preprocessor = ColumnTransformer(transformers=[
('num', numeric_transformer, numeric_features),
])
cl
浏览 2提问于2022-06-08得票数 0
回答已采纳
有人能告诉我如何使用Pipeline和GridSearchCV进行最佳子集regression回归吗？具体来说，我不知道哪个scikit-learn的函数做了最好的子集选择，以及如何将它嵌入到管道和GridSearchCV中。
此外，如何在特征中包含交互项，以便从最佳子集算法中选择？如何将其嵌入到管道和GridSearchCV中？
from sklearn.linear_model import PoissonRegressor
continuous_transformer = Pipeline(steps=[('std_scaler',StandardScaler())])
浏览 9提问于2022-06-12得票数 3
回答已采纳
1回答
我的代码可以完美地工作，直到最终模型的拟合。但是我不知道如何为管道做GridSearchCV或RandomizedSearchCV。请帮帮我。
import pandas as pd
import numpy as np
from sklearn.compose import make_column_transformer
from sklearn.preprocessing import OneHotEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomFores
浏览 17提问于2020-11-08得票数 0
我正在尝试用GridSearchCV做支持向量机的超参数优化。假设我正在向这个函数提供训练集数据和标签(在函数调用之前已经隔离的测试拆分)。 def param_search(X, y):
Cs = 10. ** np.arange(-3, 4)
gammas = 10. ** np.arange(-3, 3)
rbf_grid = {'clf__C':Cs, 'clf__gamma':gammas, 'clf__kernel':['rbf'],
'clf__class_weig
浏览 13提问于2019-02-14得票数 1
回答已采纳
如何显示支持向量机模型的重要特性以及特征名？
我的代码如下所示，
首先我导入了模块
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipel
浏览 1提问于2018-01-22得票数 2
回答已采纳
我试图对kaggle的泰坦尼克数据集的决策树分类器进行交叉验证。清理数据后的第一步是将数据分割成火车和测试设备：
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(train, Y, test_size=0.2, random_state=0)
然后将数字转换为缩放值：
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
x_train = sc.
浏览 0提问于2020-02-18得票数 1
回答已采纳
我目前正在研究一个多输出回归问题，在这个问题上，我试图同时预测多个输出值。我知道有一些标准的回归者在本地支持这个任务。
但是，我想使用RegressorChain并使用GridSearchCV优化RegressorChain中Regressor的超参数。我为此编写了以下代码：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.model_selection import GridSearch
浏览 8提问于2020-07-03得票数 2
回答已采纳
我使用的是AdaBoost，我想看看哪个估计器参数在使用GridSearchCV时工作得最好。是否可以在我的“参数”变量中包含估计器参数？例如，如何更改DecisionTreeClassifier的DecisionTreeClassifier？
pipe = Pipeline([
('normalize', MinMaxScaler(feature_range=(0, 1))),
('scale', StandardScaler()),
('booster', AdaB
浏览 1提问于2019-05-06得票数 0
我已经尝试过gridsearchcv
pipe = make_pipeline(StandardScaler(), Ridge())
param_grid = {'ridge__alpha': [1000, 100,10,1,0.1]}
grid_pipe = GridSearchCV(pipe, param_grid, cv = 5)
如果我在ridge_alpha中排除1000，ridge_alpha = 100是最好的模型。如果我在ridge_alpha中包含1000，ridge_alpha是1000是最好的模型，然而，这个模型有更高的rmse和更低的R^2...Why，
浏览 27提问于2020-06-09得票数 0
我想用一个滑雪板管道来做这件事：
(-)缩放数据( StandardScaler )
(-)降维( PCA )
(-)使用GradientBoostingRegressor()和GridSearchCV()进行预测(从网格中获得具有最佳参数的模型)
(-)使用RandomForestRegressor()和GridSearchCV()进行预测(从网格中获得具有最佳参数的模型)
(-)取两种预测的平均值
但我不知道该怎么做。
我必须(量表和预测)2次，还是我可以分级，然后预测2次？
泰克斯。
浏览 0提问于2019-04-29得票数 4
回答已采纳
我正在尝试在管道中实现imblearn的攻击。我的数据集是存储在pandas dataframe中的文本数据。请看下面的代码片段
text_clf =Pipeline([('vect', TfidfVectorizer()),('scale', StandardScaler(with_mean=False)),('smt', SMOTE(random_state=5)),('clf', LinearSVC(class_weight='balanced'))])
在此之后，我将使用GridsearchCV。
grid
浏览 6提问于2018-11-02得票数 6
在下面的示例中，
pipe = Pipeline([
('scale', StandardScaler()),
('reduce_dims', PCA(n_components=4)),
('clf', SVC(kernel = 'linear', C = 1))])
param_grid = dict(reduce_dims__n_components=[4,6,8],
clf__C=np.logspace(-4, 1, 6),
浏览 2提问于2018-07-22得票数 18
回答已采纳
我想使用scikit LassoCV/RidgeCV，同时在每个折叠训练集上应用'StandardScaler‘。我不想在交叉验证之前应用定标器以避免泄漏，但我不知道如何使用LassoCV/RidgeCV来做到这一点。
有没有办法做到这一点？或者我应该用套索/岭创建一个管道并‘手动’搜索超参数(例如使用GridSearchCV )？
非常感谢。
浏览 2提问于2016-09-13得票数 1
我想使用GridSearchCV来确定使用L1正则化的logistic回归中的最佳正则化参数"C“。我还想扩展/标准化我的输入功能。
在执行交叉验证之前，使用单个变换对整个训练数据集进行缩放会导致数据泄漏:在交叉验证中，训练数据集被分为k个折叠，每个折叠被视为验证数据集一次，而其余的则是训练折叠。然而，如果标准化是在对整个训练数据集进行交叉验证之前完成的，则每个折叠(包括验证折叠)将使用从整个训练数据集计算的参数(例如，均值和标准差)进行缩放，因此在某种程度上，训练折叠总是“知道一些”关于验证折叠的信息。
因此，缩放数据的正确方法是分别计算和应用每个交叉验证折叠的缩放(即，在内部训练折
浏览 1提问于2018-03-14得票数 1
我想把StandardScaler和GridSearchCV结合起来，找出Ridge回归模型的最佳参数。
但我得到了以下错误：
会引发ValueError(估计器%s的无效参数%s )。ValueError:用于估值器管道的无效参数α(memory=None，steps=(“标准标量器”，StandardScaler(copy=True，with_mean=True，with_std=True))，(“脊”，岭(alpha=1.0，copy_X=True，fit_intercept=True，max_iter=None，normalize=False，random_state=None，求解器
浏览 2提问于2020-04-27得票数 2
回答已采纳
标准化数据而不使用管道： kfold = KFold(3, shuffle = True, random_state = 3)
grid = GridSearchCV(estimator = LinearRegression(), param_grid = params, cv = kfold)
x = scaler_std.fit_transform(x)
y = scaler_std.fit_transform(np.array(y).reshape(-1, 1))
grid.fit(x,y) 将缩放器放入管道中： pipe = make_pipeline(StandardScal
浏览 12提问于2021-04-21得票数 1
1回答
我正在尝试创建一个自定义评分函数，以便在GridSearchCV中实现分类问题，但我认为我不太理解它是如何工作的(我已经阅读了文档)。我的目标是将不同的权重放在错误分类的类型上。我的代码如下所示。good和excellent是我的样本中的两个类。我认为问题出在GridSearchCV将真值和预测值传递给score_func时，但我不确定如何解决它。
def score_func(y, y_pred):
'''score function for grid search'''
error = 0
for i in range
浏览 10提问于2020-04-13得票数 1
我已经检查过了，但是答案没有帮助。
我正在尝试在GridSearchCV中使用带有感知器的预处理方法，如StandardScaler和Normalizer：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, Normalizer
from sklearn.linear_model import Perceptron
param_grid = [{
'tol': [1e-1, 1e-3, 1e-5],
'penalty':
浏览 23提问于2021-02-18得票数 0
回答已采纳
我用管道制作了一个GridsearchCV，我想提取管道组件(MLPRegressor)的一个属性(n_iter_)，作为最佳模型。
我正在使用Python3.0。
管道的创建
pipeline_steps = [('scaler', StandardScaler()), ('MLPR', MLPRegressor(solver='lbfgs', early_stopping=True, validation_fraction=0.1, max_iter=10000))]
MLPR_parameters = {'MLPR__hidden
浏览 0提问于2019-08-09得票数 2
回答已采纳
1回答
我想知道是否有任何方法来可视化或找到最重要/最重要的特性，在安装MLP分类器后，在Sklearn。
简单的例子：
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import LeaveOneOut
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import GridSearchCV
from skle
浏览 3提问于2017-06-09得票数 6
1回答
估计器管道的参数rf无效
、、、
我在GridSearchCV中使用RandomForestRegressor。我得到了这个错误：
ValueError: Invalid parameter RandomForestRegressor for estimator Pipeline
我不明白为什么。这是我的代码：
pipelines = {
'rf': make_pipeline(StandardScaler(),
RandomForestRegressor(random_state=42)),
rf_hyperparameter
浏览 18提问于2020-02-16得票数 0
回答已采纳
我想从SVC中找到最佳参数，使用嵌套的CV方法：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()
X, y = load_breast_cancer(return_X_y=True)
from sklearn.model_selection import train_test_split
X_train,
浏览 1提问于2018-09-30得票数 6
回答已采纳
我试图使用GridSearchCV来选择最佳的输入策略，但我在这样做时遇到了困难。
首先，我有一个为数字和分类列准备数据的管道-
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline, make_pipeline
num_pipe = make_pipeline(Simpl
浏览 5提问于2022-01-27得票数 0
回答已采纳
作为我的管道的一部分，我想结合SelectFromModel使用LogisticRegression(penalty='l1')进行特征选择。为了选择合适的正则化量，我用GridSearchCV优化了正则化参数C。
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression, LassoCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import
浏览 0提问于2020-06-04得票数 0
1回答
GridsearchCV的预处理
、、、、
我使用GridsearchCV来调优超参数，现在我想在训练和验证step.But时做一个min Normalization(StandardScaler())，我想我不能这样做。
问题是：
如果我将预处理步骤应用于整个训练集，并将其发送到GridsearchCV进行10 foldCV。这会让我发现数据泄漏对吧？因为训练集将运行10倍，这意味着9倍的训练和1倍的测试折叠。规范化应该只适用于训练集，而不是验证集，对吗？
如果我用滑雪板的管道，它不会解决这个问题，对吗？因为它只运行一次，并再次导致数据泄漏。
是否有其他方法可以这样做，并且仍然使用GridsearchCV来调优参数？
浏览 2提问于2019-04-15得票数 4
回答已采纳
1回答
我是为了机器学习的目的而使用scikit的。虽然我按照其正式文档中提到的步骤执行了这些步骤，但我遇到了两个问题。下面是代码的主要部分：
1) trdata是使用sklearn.train_test_split创建的培训数据。2) ptest和ntest分别是阳性和阴性的测试数据。
## Preprocessing
scaler = StandardScaler(); scaler.fit(trdata);
trdata = scaler.transform(trdata)
ptest = scaler.transform(ptest); ntest = scaler.transform(n
浏览 3提问于2013-12-16得票数 3
回答已采纳
我正在为一个科学学习教程研究load_boston()数据。我遇到了这个属性错误：
AttributeError 'GridSearchCV' object has no attribute 'cv_results_'
有没有人知道是否有窃听器？我正在使用1.1.1版本的科学知识-学习。
import sklearn
from sklearn.datasets import load_boston
from sklearn.neighbors import KNeighborsRegressor
from sklearn.preprocessing import
浏览 9提问于2022-06-25得票数 1
1回答
我正在使用standard scaler、PCA和Random Forest对一些数据进行分类。我想使用pipeline方法，但是，我不知道如何让pipeline知道我想要n_components = 95%的解释方差。如何在pipeline环境中设置计算此数字的代码。
以下是代码：
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import Ran
浏览 3提问于2022-07-02得票数 0
2回答
我试图通过使用管道并调优其中的参数来应用RandomForestClassifier()。这是正在使用的数据集：https://www.kaggle.com/gbonesso/enem-2016 下面是代码 from sklearn.ensemble import RandomForestClassifier
imputer = SimpleImputer(strategy="median")
scaler = StandardScaler()
rf = RandomForestClassifier()
features = [
"NU_IDADE"
浏览 62提问于2020-09-27得票数 0
回答已采纳
我在使用下面的代码片段时遇到了一个问题
text_clf = Pipeline([('scale',StandardScaler(with_mean=False)),('clf',OneVsRestClassifier(MLPClassifier(learning_rate = 'adaptive', solver = 'lbfgs',random_state=9000)))])
parameters = {'clf__estimator__alpha':[10.0 ** ~ np.arange(1, 7).any
浏览 31提问于2018-12-18得票数 0
我正在结合使用GridSearchCV和包含标准化的管道作为第一步。我发现，当使用.predict方法GridSearchCV对测试数据集进行预测时，结果与手动实现管道步骤时的结果不同。我在下面创建了我的脚本的简化版本，以显示发现的错误不同。为了简单起见，搜索空间每个参数只包含一个值。
我知道这里的差别很小。但在我的原始代码中，这种差异要大得多。因此，我试图了解是什么导致了这两种方法的区别。
初始化数据
import random
import numpy as np
from sklearn.metrics import mean_absolute_error
from sklearn.m
浏览 2提问于2020-11-03得票数 2
回答已采纳
我在ridgeclassifiercv上执行gridsearchcv来获取我的模型的超参数。所以我导入了这些库 import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn import linear_m
浏览 129提问于2020-08-14得票数 0
1回答
我有具有数字和分类特征的数据；我只想对数字特征进行标准化。数值列是在X_num_cols中捕获的，但是我不确定如何将其实现到管道代码中，例如，make_pipeline(preprocessing.StandardScaler(columns=X_num_cols)不起作用。我在stackoverflow上找到了，但答案与我的代码布局/目的不符。
from sklearn import preprocessing
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegress
浏览 3提问于2018-02-16得票数 2
1回答
我试图使用StandardScaler执行缩放，并定义一个KNeighborsClassifier(创建scaler和估值器的管道)。
最后，我想为上面的内容创建一个网格搜索交叉验证器，其中param_grid将是一个字典，其中包含n_neighbors作为超参数，k_vals作为值。
def kNearest(k_vals):
skf = StratifiedKFold(n_splits=5, random_state=23)
svp = Pipeline([('ss', StandardScaler()),
('k
浏览 0提问于2018-02-10得票数 1
回答已采纳
我在理解GridSearchCV中cv参数的效果时遇到了问题。我仍然使用Python 2.7和sklearn 0.18
当使用GridSearchCV调整一些参数，例如岭回归时，我预计随着训练中包含的数据越来越多，分数会随着折叠次数的增加而上升。然而，我观察到了相反的行为。有人能向我解释一下，这是否应该是意料之中的呢？
考虑下面的例子
from __future__ import division, print_function
from sklearn import linear_model
from sklearn import preprocessing
from sklearn imp
浏览 32提问于2017-01-18得票数 0
回答已采纳
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
