1回答
同时进行特征选择和超参数调整
、、、、
我正在尝试在sklearn SVC模型上进行超参数调整和特征选择。使用独立于HalvingGridSearchCV的cross_val_score运行管道代码是可行的，但我希望同时进行特性选择和超参数调优，以找出哪种特
浏览 20提问于2021-06-13得票数 0
回答已采纳
1回答
我正在研究一个二进制分类问题，我的训练数据有数百万条记录和2000个变量。我运行lightGBM进行特征选择，并使用从lightGBM中选择的特性运行神经网络(使用Keras)模型进行预测。当使用lightGBM进行特性选择时，我正在进行超参数调优。这是基于我的理解，随着超参数的变化，所选择的功能也会有所不同。我使用'goss‘算法<e
浏览 7提问于2020-07-07得票数 2
1回答
假设同一列(即特征)用于超参数调整和模型拟合，而集成模型用于建模(例如，随机森林或XGboost)，那么在超参数调整过程中使用的列的顺序是否应与基于最佳超参数拟合模型时使用的列的顺序相同？我在我的简历管道中使用sklearn的make_column_transformer函数进行超参数调整。不幸的是，当将余数参数设置为“pass
浏览 0提问于2020-02-10得票数 1
回答已采纳
1回答
进行一些更改(特征选择、超参数调整等)我用不同的基尼系数建立了不同的模型。
怎样才能证明基尼系数的改善在统计学上是显著的呢？
浏览 0提问于2022-10-06得票数 0
1回答
如何在中使用RFE？
、、、、
，它返回一个助推器，但我想使用RFE来选择最佳的100个特性。返回的助推器不能在RFE中使用，因为它不是sklearn估计器。有没有什么方法可以把xgb.train(...)和sklearn的RFE一起使用呢？
浏览 2提问于2021-02-22得票数 7
1回答
我正在使用不同的算法对977行进行二进制分类。正如您可能知道的，包装方法涉及使用ML模型来找到最佳的特性子集。因此，我的问题如下( c)期望( a)和( b)的最佳<em
浏览 0提问于2022-02-22得票数 0
回答已采纳
1回答
整个模型开发过程的优化
、、、
我有几个开发阶段，每个阶段都可以自动执行:预处理，去除异常/异常，过采样，特征选择，超参数调整。这些步骤中的每一个都有许多不同的实现。例如，您可以调优超参数，删除10%未使用的函数，重复对超参数的搜索。训练几个模型，并将它们组合成一个整体。用1种算法去除异常，然后再用另一种算法。在特征选择之后或之前删除异常。我还想对不同的输入数据集执行所有这些步骤(所有这些步骤都在选择最
浏览 0提问于2022-12-11得票数 0
众所周知，在时间序列中，我们通过被称为窗口的模型对时间序列数据进行一次一次的处理。我们滑动窗口，下一个窗口又是我们的输入。由于我刚刚开始从事深度学习和时间序列领域的工作，我的问题是，如果我们对某个深度学习模型进行某些窗口大小的调优，那么如果使用相同的调优模型来获得相同数据上的一些不同窗口(例如15)的精度，或者模型应该再次对后一个窗口进行调优由此，我再次相信窗口大小是一个超参数，当更改该参数时，需要再次对模型进行调整。
那么，在这种情
浏览 0提问于2019-07-23得票数 0
回答已采纳
我正在做超参数调整，特征选择，训练和拟合几个模型，以评估哪个是最好的模型。所以可能有几百行代码。然而，正如我们可能知道的那样，超参数调整部分通常需要几个小时来生成用于我们模型的最佳参数的输出。因此，简而言之，这个人不需要运行需要几个小时的调整部分和其他需要超过3分钟的部分来生成输出，但他仍然能够预测我的模型并使用我之前调整过的最佳超参数<
浏览 2提问于2021-10-01得票数 1
最近，当我提交分类参数的超参数调整的训练作业时，Cloud ML传递了带有整数值的选项，而不是文档中描述的categoricalValues参数中的选择。是云ML超参数调整的回归，还是功能的变化？我不能保证文档与当前行为不匹配(我认为它是模棱两可的)。无论如何，行为显然已经改变了，如果是永久性的特征改变，我必须处理它。
谢谢,
浏览 12提问于2017-01-26得票数 0
回答已采纳
我使用交叉验证的GridSearchCV来训练和调优不同模型类型(例如回归树、岭、弹性网等)的模型超参数。在对模型进行拟合之前，我省略了10%的样本，以便使用train_test_split进行模型验证。(见截图)。我选择具有最佳参数的模型来对未见验证集进行预测。我是不是遗漏了什么，因为我还没有看到有人在评估模型的准确性，同时调整模型参数时也没有看到有人这样做吗？
📷
浏览 0提问于2020-02-08得票数 2
回答已采纳
2回答
这是对深度学习算法和机器学习算法(如递归神经网络、多层感知器或支持向量机)进行调整时经常出现的一个普遍问题。我的问题正是这样:有无限多的超参数组合可能。我们知道，有许多可能的超参数配置可能
浏览 0提问于2018-06-10得票数 2
我只是想知道用以下步骤组织数据以避免冗余的最佳方法是什么：数据缺口的核算(估算)将数据拆分为培训和验证集
然后对模型进行拟合和预测。我的主要问题是，在对数据进行编码之前，是否最好先进行拆分，还是只在完成编码后才进行拆分？
浏览 0提问于2018-08-09得票数 0
y,7,shuffle=True, random_state=5), scoring='roc_auc', n_jobs=1)它工作得很好，通过这样做，我可以同时调整Anova和SVM的参数，并使用这些参数来建立我的最终模型。如果是这样的话，如果我想进一步了解所选的特征，我如何确定Anova选择的特性？比如说，我用一对参数( Anova的百分位数和支持向量机的C/
浏览 4提问于2015-04-19得票数 1
回答已采纳
1回答
按时间顺序对数据进行排序，并将其划分为训练、有效和测试集。
然而，我担心我们可能会过分适应第4步中的测试集。在步骤4中，我们是否应该在没有调优的情况下在列车上重新
浏览 5提问于2021-10-20得票数 2
当使用Skopt的BayesSearchCV进行功能选择时，如何提取最佳功能集的功能名称？我只知道如何获得特征的数量以及其他超参数，但无法找到如何获得这些最佳特征的名称。
浏览 52提问于2021-09-15得票数 0
3回答
在开发神经网络时，通常会将训练数据划分为列车、测试和保留数据集(许多人将这些数据分别称为列车、验证和测试)。同样的东西，不同的名字)。许多人建议根据测试数据集中的性能选择超参数。我的问题是:为什么？在本文中，数据集现在被称为Train、Validation和Test。我不使用测试数据集进行培训。我正在使用GA来优化超参数。在外部遗传算法训练过程的每次迭代中，遗传算法选择一个新的超参数</em
浏览 1提问于2016-07-05得票数 5
回答已采纳
我的数据集包含40个测量对象(MO)中每个对象的112个特征向量。共有4480个特征向量，平均分为4个类别，533个特征。(这里有更多关于的信息)在分割数据集(训练:34 MO，测试:6 MO)和减少特征数目之后，主要通过主成分分析( PCA )，我用KFold对不同模型的超参数进行了调整。问题：
在评估时，是否有必要对列车和测试数据进行分割？我的教授说不行，交叉验证本身就已经过时了。
浏览 3提问于2020-12-18得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
