1回答
from imblearn.pipeline import Pipelinesmt = SMOTE(random_statepreprocess',preprocessor), ('smote',RandomForestClassifier(n_estimato
浏览 33提问于2021-01-12得票数 1
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。(random_state=5)),('clf', LinearSVC(class_weight='balanced'))])发布此错误后，我将代码更改为如下所示。= GridSearchCV(text_clf, parameters, cv=4, n_jobs=-1, scoring =
浏览 6提问于2018-11-02得票数 6
我使用不平衡数据通过scikit-learn执行分类并提高模型的准确性，我使用SMOTE技术创建了更多的合成数据。我想知道用GridSearch实现超参数优化的最佳时机。我应该只使用原始数据还是使用original+synthetic数据？
浏览 12提问于2019-10-30得票数 0
所以我试着使用SMOTE。然而，我仍然不能理解SMOTE应该应用在哪里。起初，我考虑在Pipeline之前应用SMOTE，但我得到了以下错误： ValueError: could not convert string to float: '...'所以我考虑在管道中使用SMOTE。但我也得到了一个错误。我尝试在第一步和第二步中，在CountVectorizer之后使用SMOTE(
浏览 163提问于2021-09-08得票数 4
我遇到了这个问题，因为我不能在Sklearn管道中使用隔离森林算法。我正在尝试使用Kaggle信用卡欺诈检测数据集来预测信用卡违约。我正在尝试修复数据分区后的所有内容，以避免数据泄漏。(通过对每个交叉验证使用管道，因为我在K折交叉验证中使用逻辑回归得到几乎100%的F1分数，而不使用管道)大多数机器学习算法都可以使用(逻辑回归、随机森林分类器等)，但不能用于某些异常检测算法，如IsolationFo
浏览 30提问于2020-06-30得票数 0
我正在浏览示例管道，用于从scikit-learn文档中提取和评估 。在那里，它们显示了下面的管道from sklearn.feature_extraction.text在示例中，它们在训练数据集上拟合CountVectorizer，然后提取特征。我想要做的是在一个更大的语料库上拟合CountVectorizer，然后将它应用到训练数据中</
浏览 10提问于2022-04-28得票数 0
有一个名为(合成少数过采样技术)的模块，它增加了欠采样数据的样本数量，我想我们应该选择一个表示不足的特征(待预测特征)。如何选择？似乎没有选择柱子的选项。
浏览 6提问于2015-03-01得票数 1
我正在用sklearn.svm.SVC进行一些文本分类任务的试验。我理解在使用SVM建模之前执行特征选择是一项有点可疑的努力，因为当使用全套特征时，性能通常会达到峰值。从学术角度来看，不同的特征选择方法如何对特征进行不同的排序仍然很有趣。
在深入研究后，我发现sklearn中提供的特征选择指标非常有限，即Chi-2。我只是想知道是否有其他常用的指标，如IG
浏览 0提问于2013-01-25得票数 1
回答已采纳
我使用SMOTEENN和RF在一个管道中成功地实现了一个调优模型。from sklearn.model_selection import RandomizedSearchCV在加载数据并获得X_train、X_test、y_train和y_test矩阵之后，我成功地执行了sklearn</e
浏览 0提问于2019-12-24得票数 1
我是管道打击和随机森林分类器，使我的过度抽样发生在一个GridSearch简历循环(如建议的)。您可以在下面看到我的实现：from sklearn.ensemble import RandomForestClassifierfrom imblearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchC
浏览 0提问于2018-07-23得票数 2
回答已采纳
我正在研究如何为sklearn.neighbors.KNeighborsRegressor构建一个工作流，其中包括：
sklearn.feature_selection.SelectFromModel
有人能告诉我这个管道/工作流的定义是什么样子吗？如果我想要根据最佳的RMSE来
浏览 10提问于2017-07-17得票数 4
回答已采纳
我想要构建一个使用交叉验证的分类器，然后从每个折叠中提取重要的特征(/coefficients)，这样我就可以查看它们的稳定性。目前，我正在使用cross_validate和管道。我想使用管道，以便我可以在每个折叠内进行特征选择和标准化。我被困在如何从每个褶皱中提取特征。我有一个不同的选择，使用管道下面，如果这是问题。到目前为止，这是我
浏览 1提问于2019-06-12得票数 4
回答已采纳
2回答
有没有一种方法可以在NaNs中使用SMOTE？下面是一个在存在NaN值的情况下尝试使用SMOTE的虚拟程序from collections import Counterfrom sklearn.datasetsimport load_breast_cancerfrom imblearn.over_sampling importSMOT
浏览 1提问于2019-08-12得票数 1
1回答
我有一个数据集X,y，并将它们分开来训练和测试数据。为了处理不平衡的数据，我想使用SMOTE，然后使用分类算法。然而，我将使用堆叠作为我的分类方法。我会感激知道什么时候我应该使用击打？我应该用它们来定义低级分类器还是高级分类器？level0 = list()RF = RandomForestClassifier(random_state=13)
pipe1 = Pipeline(stepsSMOTE来获得一个
浏览 0提问于2021-04-02得票数 1
2回答
是否有正确的顺序，我应该使用Sklearn将数据转换放入管道中？特征选择，倾斜去除，缩放，离群点去除，过采样和估计。
有正确或错误的方法吗？还是没有免费午餐？
浏览 0提问于2020-02-15得票数 1
我正在使用sklearn管道中的sklearn-pandas DataFrameMapper。为了评估特征联合管道中的特征贡献，我喜欢测量估计器的系数(Logistic回归)。对于下面的代码示例，对三个文本内容列a, b和c进行了矢量化，并为X_train选择了它们 import pandas as pdimport pickle
fromsklear
浏览 47提问于2019-01-27得票数 4
回答已采纳
我有一个由word2vec生成的数据集，其中包含100列作为特征向量(100D个特征向量)，我的目标是数据集中每一行向量的分类变量。数据集的问题是它是高度不平衡的，除了前200个分类变量外，其余的类都只有很少的样本和some classes have less than 6 samples。现在，我想使用SMOTE对这些数据执行过采样，以便为少数类生成更多示例。有没有办法，我可以在代码中处理它，这样，我可以忽略那些少于6个样本的类，同时执行SMOTE？
浏览 24提问于2020-08-17得票数 1
回答已采纳
假设我想使用sklearn管道应用几种特征选择方法。SelectKBest(chi2, k=5)),我使用如果在管道上使用fit方法，就会得到管道对象。现在，假设我想向管道中添加一个ML模型，如下所示：
from sklearn</
浏览 6提问于2022-07-25得票数 1
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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
