问题标签 [gridsearchcv]

我从 sklearn.model_selection 库创建了我自己版本的 GridSearchCV 模块。我的版本包括逐个迭代每个参数，而不是寻找所有可能的组合。例如对于 SVR 模型，如果我们定义如下三个参数：

该算法将首先找到一个最佳伽马系数（十个）。然后它转移到用给定的 gamma 值分配 C 参数。经过十次迭代后，它移动到 epsilon 并使用给定的一组 [gamma, C] 参数分配最佳 epsilon 值。这给了我们总共 30 个组合来检查而不是 1000 (10*10*10)。

我想将我的 opt_grid_search 对象导入到我的项目中，如下所示：

from own_udf_functions import show_description, opt_grid_search

对象的代码以创建将要优化的对象的动态语句开头：

exec_string = 'opt_object = ' + object_name + '(' + def_params + ')'

例如返回：

opt_object = SVR(kernel = 'rbf')

但是，当我尝试在另一个脚本中使用代码时，如下所示：

出现以下错误：

似乎 opt_grid_search 函数没有执行以下代码行：

opt_object = SVR(kernel = 'rbf')

并且实际上并未创建名为 opt_object 的对象。

我认为这与课程有关，但我想请您帮助我更好地了解此错误中实际发生的情况。我认为这是一项至关重要的知识，可以帮助我编写更多的“pythonic”代码，而不是在每个代码中定义所有函数。

其次，请让我知道这种优化是否也有意义，或者 GridSearch 是否需要遍历所有可能的组合。

我试图让这个描述尽可能简短，但是如果你想查看/需要它作为参考，我的代码可以在下面访问：

https://github.com/markoo26/own-udf-functions

我想通过 GridSearchCV 优化 SVM 的超参数。但是最佳估计器的得分与运行具有最佳参数的 svm 时的得分有很大不同。

结果如下：

最好成绩：0.784

最佳估计分数：0.6991

最佳参数得分：0.7968

我不明白为什么最佳估计器和 svm 的分数不同？以下哪个结果是正确的测试精度？为什么 0.6991 的 Best estimator 的得分这么差？我做错了什么吗？

我正在使用 xgboost 回归器，如果我使用的是 GridsearchCV，我有一个关于如何使用 model.evals_result() 的问题

我知道如果我不使用 Gridsearch，我可以使用下面的代码得到我想要的

但是，如果我在我的代码中使用 GridsearchCV（见下文），我将无法获得 evals_result()。

任何线索？

现在当我运行 results = gbm.evals_result() 我得到这个错误

我想使用带有 LinearSVC 的 AdaBoostClassifier 作为基本估计器。我想对 LinearSVC 中的一些参数进行网格搜索。我还必须扩展我的功能。

出现以下错误：

没有 AdaBoostClassifier 管道正在工作，所以我认为有问题。

我需要对下面列出的 Logistic 回归分类器的参数执行网格搜索，使用召回进行评分和交叉验证 3 次。

数据位于 csv 文件 (11,1 MB) 中，此下载链接为：https ://drive.google.com/file/d/1cQFp7HteaaL37CefsbMNuHqPzkINCVzs/view?usp=sharing

我有grid_values = {'gamma':[0.01, 0.1, 1, 10, 100]} 我需要在逻辑回归中应用惩罚 L1 e L2

我无法验证分数是否会运行，因为我有以下错误：估计器 LogisticRegression 的参数 gamma 无效。使用 来检查可用参数列表estimator.get_params().keys()。

这是我的代码：

我从 .cv_results_ 中期望，我应该在这里可用的每个参数组合的平均测试分数：mean_test_precision_score 但不确定

输出为：ValueError：估计器 LogisticRegression 的参数 gamma 无效。使用 来检查可用参数列表estimator.get_params().keys()。

我在 ML 中有一个用例，其中我有 2 个类，0 和 1 用于给定文本。

• Class-0:可以承受一些错误分类
  
• Class-1:非常重要，不能承受任何错误分类

两个类的样本都存在巨大的不平衡，0 类大约 30000 个，1 类只有 1000 个

在进行训练测试拆分时，我根据标签对拆分进行分层，这样，每个标签类保持 70% 训练和 30% 测试的比例。

我想以这样的方式调整参数，Precision或者Recall为 class-1 改进。我尝试使用“f1_macro”、“precision”、“recall”作为单独的指标，并将所有指标组合起来使用 GridSearchCV 进行调整，但由于大多数样本为 Class-0，因此它的帮助较小。

我正在探索减少 0 类数据的更安全的方法，尽管我们可以减少的程度很小，无论如何，即使没有调整或使用任何参数，0 类的 f1 分数总是高于 98%。

所以我关心的只是调优class-1。

您能否建议，也许是一个定制的可调用指标，使其仅关注 Class-1 的精度、召回率或 F1 分数？

我正在使用 scikit-learn 最新的稳定版本。

类似的问题在这里，作者正在尝试使用它被建议尝试自定义指标来调整 Class-1 的 F1 分数Neural Networks (MLP)，Keras
只是没有提到如何。
可以在这里回答 Scikit-Learn 的人，也可以回答下面的 Keras 链接。 通过 RandomizedSearchCV 在 Keras (MLP) 中调整超参数

我正在尝试将 OneVsRestClassifier 与 SVC 一起用于图像的多分类问题 - 我从 CellProfiler 获得了图像的数字特征。我想使用 GridSearchCV 来查找要使用的超参数，但我被卡住了。

有人对此有解决方案/建议吗？

我已经阅读了谷歌，但似乎我无法解决我的问题。

我正在尝试在GradientBoostingClassifier()gridsearchcv 的帮助下运行。对于每个参数组合，我还需要表格格式的“Precison”、“recall”和准确性。

这是代码：

我得到错误：

我在带有 RBF 内核的 SVM 上进行了网格搜索 + 交叉验证，以使用 GridShearchCV 类找到参数 C 和 gamma 的最佳值。现在我想以表格格式获得结果，例如

其中单元格包含这两个参数值的准确度得分。

或者至少，如果第一个解决方案是不可能的，那么更简单的事情就像

我对 Python 不是很熟练，所以我不知道从哪里开始。你能给我一些方法来做这种表示吗？最好的解决方案是将表格作为图表，但在控制台中以这些格式进行简单打印就可以了。先感谢您。

我想建立一个使用 GridsearchCV 进行参数调整的管道。我的模型是一个（二进制）分类器，我使用 Keras Sequential() 构建了它。

由于我正在处理一个倾斜数据集（大约 6/7 个标签为 0，剩下的 1/7 部分数据集用 1 标记）我添加了一个回调，用于计算每个时期结束时的 f1、召回率和精度指标，我想用它作为指标来验证我的模型。

为此，我在 Keras 中使用了一个回调，它需要在我的模型的 fit() 实例中指定我的验证数据集。反过来，这使得访问验证​​集和使用 GridsearchCV 变得非常困难。

我设法通过构建一种 DIY cv 程序来克服这个问题，但我想知道这是否可以结合 GridsearchCV 更有效地实现。这是我的代码：

设置不同的分类阈值

INPUT：x，NN 学习产生的预测向量 thr，我们用来将预测分类为 0 或 1 类的阈值。OUTPUT：包含 0 和 1 的向量，预测消息的标签

然后我为我的指标创建回调：

然后我使用以下方法创建模型：

现在我希望优化的部分代码：

有没有办法使用 GridsearchCV 封闭这些循环，并可能包含更多交叉验证部分的参数？

提前感谢您的阅读和帮助。