问题标签 [gridsearchcv]

我正在使用GridSearchCV以估计我的回归器的参数。我使用评分函数mean_squared_log_error（我想继续使用它）

y 始终为正，但发生的情况是 5 折网格搜索中的某些预测恰好为负（即使它不应该发生，因为我的目标变量始终为正），因此我收到错误消息

因为记分员试图计算负数的对数（不幸的预测）。

有没有办法控制 GridSearchCV 中的预测？你会如何解决这个问题？

我在使用二值化标签来拟合分类器时遇到问题。

y_train 通过以下方法二值化：

我收到以下错误：

文件“C:\Python\lib\site-packages\sklearn\utils\validation.py”，第 788 行，在 column_or_1d 中引发 ValueError("bad input shape {0}".format(shape)) ValueError: bad input shape ( 545, 3)

输入标签形状是 (682, 3) 而不是 (545, 3)。

我的教授告诉我在 gridSearchCV 中使用二值化标签，但是阅读 scikit-learn 文档我认为我不能这样做。

我曾经使用 GridSearchCV(...scoring="accuracy"...) 进行分类模型。现在我将使用 GridSearchCV 作为回归模型并使用自己的错误函数设置评分。

示例代码：

但是，我发现它在错误分数最高时返回参数集。结果，我得到了最差的参数集和分数。在这种情况下，我怎样才能得到最好的估计和分数？

概括：

分类 -> GridSearchCV(scoring="accuracy") -> best_estimaror...best

回归 -> GridSearchCV(scroing=rmse_score) -> best_estimator...worst

我正在尝试解决超参数调整情况下的错误：

我正在尝试处理的图像具有(64, 64, 3)（宽度、高度、通道）的形状。(64, 64, 1)由于我正在执行二进制分类任务，因此相应的标签具有形状，但对于每个像素。

我使用的模型是 UNET 模型：

输出：

是：

-

来电：

将导致以下错误：

我正在尝试在 GridSearchCV 中使用多个指标。我的项目需要多个指标，包括“准确性”和“f1 分数”。但是，在遵循 sklearn 模型和在线帖子之后，我似乎无法让我的工作。这是我的代码：

我的错误发生在custom_knn.fit(X_train,y_train). 此外，如果您注释掉scoring=met_grid, refit='accuracy', return_train_score=True，它可以工作。这是我的错误：

此外，如果您能解释多个指标评估或将我推荐给可以的人，那将不胜感激！
谢谢

我正在尝试在 python 中使用神经网络分类。scikit-learn

我生成了我的数据，将其拆分为训练和测试，并在模型中使用它MLPClassifier()。

我接下来打算做的是评估这个模型中使用的参数sklearn.model_selection.GridSearchCV.

这是我的代码：

X_train并且X_test是具有 2 个特征的数组。

一切正常，但在线CV_unknwnMLPC.fit(X_train, y_train)我收到以下错误：

我在网上检查了一些答案，并仔细检查了参数param_gridMLPC以确保它们提供得很好，但错误仍然存​​在。

我究竟做错了什么？

提前致谢

我想为 GridsearchCV 实现自定义评分功能。我试图查看此示例https://stats.stackexchange.com/questions/110599/how-to-get-both-mse-and-r2-from-a-sklearn-gridsearchcv，但我的代码以一种无限循环，它继续运行而没有给出任何结果......这是我正在使用的代码：

我在 Jupyter 笔记本中运行此代码。

提前致谢！

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：

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：

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()。

我想在 scikit learn 中实现自定义损失函数。我使用以下代码片段：

传入的参数应该是什么my_custom_loss_func？我的标签矩阵称为labm. 我想计算实际输出和预测输出（由模型）乘以真实输出之间的差异。如果我使用labm代替y_true，我应该使用什么代替y_pred？

我在下面的代码中尝试使用自定义记分器，我用 GridSearchCV 定义了“custom_loss_five”来调整超参数。我有下面的示例代码。我也有一些样本数据。我收到错误“numpy.dtype”对象没有属性“base_dtype”。我认为这是因为我将 keras 代码与 sklearn 混合在一起。我也在使用同样的“custom_loss_five”函数来训练神经网络。所以这就是我使用keras的原因。如果有人能指出问题并让我知道如何调整该功能以与 GridSearchCV 一起使用，我将不胜感激。

样本数据：

代码：

错误：