0

所以我发现 StandardScaler() 可以让我的 RFECV 在我的 GridSearchCV 中，每个嵌套的 3 折交叉验证运行得更快。如果没有 StandardScaler()，我的代码运行了超过 2 天，所以我取消并决定将 StandardScaler 注入到进程中。但现在它已经运行了 4 个多小时，我不确定我是否做得对。这是我的代码：

# Choose Linear SVM as classifier
LSVM = SVC(kernel='linear')

selector = RFECV(LSVM, step=1, cv=3, scoring='f1')

param_grid = [{'estimator__C': [0.001, 0.01, 0.1, 1, 10, 100]}]

clf = make_pipeline(StandardScaler(), 
                GridSearchCV(selector,
                             param_grid,
                             cv=3,
                             refit=True,
                             scoring='f1'))

clf.fit(X, Y)

老实说，我认为我的做法并不正确，因为我认为 StandardScaler() 应该放在 GridSearchCV() 函数中，以便每次折叠都标准化数据，而不仅仅是一次（？）。如果我错了或者我的管道不正确以及为什么它仍然运行了很长时间，请纠正我。

我有 8,000 行的 145 个特征要被 RFECV 修剪，以及 6 个 C 值要被 GridSearchCV 修剪。因此对于每个 C-Value，最佳特征集由 RFECV 确定。

谢谢！

更新：

所以我将 StandardScaler 放在 RFECV 中，如下所示：

 clf = SVC(kernel='linear')

 kf = KFold(n_splits=3, shuffle=True, random_state=0)  

 estimators = [('standardize' , StandardScaler()),
               ('clf', clf)]

 class Mypipeline(Pipeline):
     @property
     def coef_(self):
         return self._final_estimator.coef_
     @property
     def feature_importances_(self):
         return self._final_estimator.feature_importances_ 

 pipeline = Mypipeline(estimators)
 rfecv = RFECV(estimator=pipeline, cv=kf, scoring='f1', verbose=10)

 param_grid = [{'estimator__svc__C': [0.001, 0.01, 0.1, 1, 10, 100]}]

 clf = GridSearchCV(rfecv, param_grid, cv=3, scoring='f1', verbose=10)

但它仍然抛出以下错误：

ValueError: 估计器管道的参数 C 无效（memory=None, steps=[('standardscaler', StandardScaler(copy=True, with_mean=True, >with_std=True)), ('svc', SVC(C=1.0, cache_size =200，class_weight=None，>coef0=0.0，decision_function_shape='ovr'，degree=3，gamma='auto'，kernel='linear'，max_iter=-1，probability=False，random_state=None，shrinking=True , tol=0.001, 详细=False))])。使用 > 检查可用参数列表estimator.get_params().keys()。

4

1 回答 1

-1

库马尔是对的。此外，您可能想要做的是在 GridSearchCV 中打开详细信息。此外，您可以对 SVC 的迭代次数添加一个限制，从一个非常小的数字（例如 5）开始，以确保问题不在于收敛。

于 2019-01-07T15:05:48.653 回答