我正在尝试使用Pipeline该类imblearn来GridSearchCV获取对不平衡数据集进行分类的最佳参数。根据这里提到的答案，我想省略验证集的重新采样，而只重新采样训练集，这imblearn似乎Pipeline正在做。但是，在实施公认的解决方案时出现错误。请让我知道我做错了什么。下面是我的实现：

参数：

分类器：

错误：

由于错误 ImportError: cannot import name 'lobpcg' from 'sklearn.utils.fixes' (E:\Installations\lib\site-packages\sklearn\utils\fixes.py)，无法导入 SMOTE

当我尝试导入以下包时显示上述错误

我正在使用 imblearn over_sampling SMOTE 技术来平衡我的不平衡数据集。

这是我的示例代码

因此，当我尝试拟合 SMOTE 模型时，它会显示属性错误。AttributeError: 'DataFrame' object has no attribute 'name' 。有人能帮我解决这个问题吗？

我也安装了库

Windows-10-10.0.15063-SP0 Python 3.6.5 |Anaconda, Inc.| (默认, Mar 29 2018, 13:32:41) [MSC v.1900 64 bit (AMD64)] NumPy 1.17.4 SciPy 1.3.2 Scikit-Learn 0.22 以上是安装的版本。

特征和目标输出 特征输出 目标输出

我正在处理一个高度不平衡的数据集的分类问题。我正在尝试SMOTEENN在网格搜索管道中使用，但是我不断收到这个 ValueError：

我在网上发现，如果导入了来自 imblearn 的管道，SMOTEENN 可以与 GridSearchCV 一起使用。我正在使用来自 imblearn 的管道，但它仍然给我这个错误。

当我尝试使用SMOTEENN和获取 X 和 y 变量时，问题首先开始。我有一个prepare_data()将数据分解为 X,y 的函数。我想SMOTEENN在该函数中使用并返回平衡数据。但是，我的功能之一是字符串类型 - 并且需要放入OneHotEncoder. 出于某种原因，SMOTEENN似乎不处理字符串。因此，我需要在管道中使用它，这样SMOTEENN才能有效post-preprocessing。

我在下面粘贴我的管道代码。任何帮助或解释将不胜感激！谢谢！

我面临的问题是，我在处理极其不平衡的数据集时使用 imblearn 管道和使用 sklearn gridsearchcv 执行了网格搜索，但是当我尝试保存模型时，我收到错误“TypeError：不能pickle _thread.RLock 对象'。我用来保存模型的语句是

情况1：

案例2：

1) 对于二元分类问题，我定义了模型架构，如下所示

构建函数来创建模型，KerasClassifier 需要

2）构建参数搜索网格，如下所示

初始化参数网格

2) 实例化管道并执行 GridSearch，如下所示

实例化 SMOTE 对象

实例化缩放器对象

实例化管道

执行 GridSearchCV

请告知如何使用下面给出的方法保存模型，我无法保存模型并收到错误“TypeError: can't pickle _thread.RLock objects”

情况1：

案例2：

谢谢

苏拉吉特

我最近使用在 jupyter 中安装了 imblearn 包

但我无法导入这个包。

我收到以下错误

环境中的其他包

我检查了 sklearn 包，它包含基本模块，而不是 _base。但是修改它可能不是正确的解决方案。解决此问题的任何其他解决方案。

我想使用几何平均值作为指标来优化使用 fit() 方法训练的分类模型。我认为 autosklearn.metrics.make_scorer() 将允许将几何平均值定义为这样的记分器：

因为 imblearn-package 与 sklearn 完全兼容。

但是，在使用上面定义的 gm 对模型进行“拟合”后，sprint 统计数据表明我所做的定义似乎不起作用：

有谁知道为什么 Auto-Sklearn 似乎与 GM 合作，但结果却是 0,0000？我做错什么了吗？除了使用 imblearn 包之外，是否有可能将几何平均值定义为优化模型的指标？据我所知，该指标尚未集成到 sklearn 中（还）？或者有人知道我如何在 Auto-Sklearn 中使用几何平均值吗？

我有一个不平衡的分类问题。首先，我想缩放数据，然后通过 SMOTE 重新采样。为了防止数据泄漏，我使用了管道。我的代码是：

问题是正类的结果不太好，我认为这与使用未缩放的X_test预测版本有关（我知道不对测试数据使用重采样，但我不确定缩放））。我的代码是正确的还是有任何问题导致这个不有趣的结果？

我想知道是否有可能有一个包含强制性元素和可选元素的管道。可选的是有条件的。例如，您可以拥有一个带有下采样元素的管道，或者您可以拥有相同的管道而不进行下采样。所以

如果你有一个不平衡的数据集，你只有采样部分。但采样部分仍在进行中，只是有条件的。有这样的吗？

有谁知道在使用 imblearn 的 RandomUnderSampler 进行欠采样后是否/如何获得所选样本的索引？曾经有一个参数“return_indices=True”，现在该参数在新版本中被删除，并被替换为一个属性“sample_indices_”。但是，如果我尝试使用该属性，它就不起作用（参见下面的代码）。我正在使用 imblearn 0.6.2 版。