0

我正在尝试使用 scikit-optimize 来调整 scikit-learn 多层感知回归器 (MLPRegressor) 的超参数。但是，问题是 scikit-optimize 似乎将分类变量列表转换为 numpy 数组，这会导致问题，因为隐藏层数和其中的点数表示为元组，而 numpy 不允许存储元组在数组中（没有将它们声明为对象，在这种情况下我不知道该怎么做）。

我的代码是：

from sklearn.neural_network import MLPRegressor
import skopt.space
from skopt import BayesSearchCV

model= MLPRegressor(max_iter=5000)
param_space = {
    'hidden_layer_sizes': skopt.space.Categorical([(100,),(50,100,50),(75,50,20)]),
    'activation': skopt.space.Categorical(['tanh','relu']),
    'solver': skopt.space.Categorical(['adam','lbfgs']),
    'alpha': skopt.space.Real(0.0001,1,prior='log-uniform'),
    'batch_size': skopt.space.Categorical([64,128,200]), ###
    'learning_rate': skopt.space.Categorical(['constant','adaptive'])
}

opt = BayesSearchCV(model, param_space, n_jobs=16, cv=3, verbose=1, scoring='neg_mean_absolute_error')
input_data = get_fingerprint('MACCS',data)

opt.fit(input_data,regr_target)

然后我得到这个错误：

E:\UserPrograms\miniconda3\envs\main\lib\site-packages\skopt\space\transformers.py:169: VisibleDeprecationWarning: Creating an ndarray from ragged nested sequence (这是一个列表或元组的列表或-不推荐使用具有不同长度或形状的元组或 ndarrays）。如果您打算这样做，则必须在创建 ndarray 时指定“dtype=object”。X = np.asarray(X)

完整截图如下：

截屏

显然，skopt正在尝试将分类变量搜索空间中给出的列表转换为 numpy 数组。我曾尝试设置transform='identity'声明分类空间，但这无济于事。

我该如何解决这个问题？scikit-optimize 的 github 页面似乎在很长一段时间内都处于非活动状态，并且他们没有回应这些问题，所以我认为这是提出这个问题的最佳场所。

（如果您知道 scikit-optimize 的任何其他替代方案可以做到这一点，我也很乐意使用它！）

4

0 回答 0