GridSearchCV教程中使用的skLearn慢速参数
GridSearchCV教程中使用的skLearn慢速参数
提问于 2018-11-25 20:18:42
我不知道为什么grid.fit(X,y)是正确的，而不是grid.fit(X_2d, y_2d)
在这篇关于径向基函数支持向量机参数的教程中，我们使用GridSearchCV来寻找支持向量机的最佳超参数。
它们有以下代码：
# Dataset for decision function visualization: we only keep the first
two
# features in X and sub-sample the dataset to keep only 2 classes and
# make it a binary classification problem.
X_2d = X[:, :2]
X_2d = X_2d[y > 0]
y_2d = y[y > 0]
y_2d -= 1..。
param_grid = dict(gamma=gamma_range, C=C_range)
# GridSearchCV will search the parameter space for the best parameters to use, minimizing the score function
cv = StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=42)
grid = GridSearchCV(SVC(), param_grid=param_grid, cv=cv)
# ==================== CODE I'M INTERESTED IN ==================>
# ===== SWITCH `grid.fit(X,y)` with grid.fit(X_2d, y_2d) ========>
grid.fit(X, y)
# ==================== ^^^^^^^^^^^^^^^^^^^ =============>
print("The best parameters are %s with a score of %0.2f"
% (grid.best_params_, grid.best_score_))其中X_2d和y_2d是X和y的子集。
只是一些说明X和y是什么的信息：
print(X.shape) #(150,4)
print(y.shape) #(150,)
print(X_2d.shape) #(100,2)
print(y_2d.shape) #(100,)
print(type(X)) #<class 'numpy.ndarray'>
print(type(y)) #<class 'numpy.ndarray'>
print(type(X_2d)) #<class 'numpy.ndarray'>
print(type(y_2d)) #<class 'numpy.ndarray'>为什么将上面的代码更改为grid.fit(X_2d, y_2d)不起作用？我不确定是不是花了很长时间，或者说它不正确。我的木星笔记本只是坐着，而grid.fit(X, y)只需要几秒钟。
我最初的想法是，我们希望适应我们正在运行的实际数据集，即X_2d和y_2d，而不是X和y
回答 1
Data Science用户
发布于 2018-11-26 03:30:47
如果您不确定代码是否有效，可以打开网格搜索输出：
grid = GridSearchCV(SVC(), param_grid=param_grid, cv=cv, verbose=2)我只是在你的链接中运行脚本-它对我来说很好。您确定在处理代码时没有更改某些内容吗？
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/41686
复制相关文章
相似问题
腾讯云开发者
