在sklearn管道中拟合自定义LGBM参数
，可以通过以下步骤实现：
- 首先，需要导入所需的库和模块：
from sklearn.pipeline import Pipeline
from lightgbm import LGBMRegressor- 接下来，定义自定义的LGBM参数。可以根据具体需求进行调整，例如：
lgbm_params = {
'boosting_type': 'gbdt',
'objective': 'regression',
'metric': 'rmse',
'num_leaves': 31,
'learning_rate': 0.1,
'feature_fraction': 0.9,
'bagging_fraction': 0.8,
'bagging_freq': 5,
'verbose': 0
}- 创建一个Pipeline对象，并将LGBMRegressor作为其中的一个步骤。在LGBMRegressor步骤中，通过设置参数
**lgbm_params来传递自定义的LGBM参数。
pipeline = Pipeline([
('lgbm', LGBMRegressor(**lgbm_params))
])- 最后，使用Pipeline对象进行数据拟合和预测。
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)这样，就可以在sklearn管道中拟合自定义LGBM参数了。
LGBM（LightGBM）是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。它具有训练速度快、内存占用低、准确率高等优势，适用于处理大规模数据集和高维特征的情况。LGBM在各种机器学习任务中都有广泛的应用，包括回归、分类、排序等。
腾讯云提供了LightGBM的云原生解决方案，即腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）。TMLP支持使用LGBM进行模型训练和推理，并提供了丰富的功能和工具来简化机器学习任务的开发和部署。您可以通过访问腾讯云机器学习平台的官方网站（https://cloud.tencent.com/product/tmlp）了解更多相关信息和产品介绍。
相关·内容
我正在尝试为我的gridsearchCV使用一个自定义评分函数。
def my_custom_loss_func(model,X_test,Y_test):
train_view=pd.DataFrame(np.round(model.predict(X_test)),columns=['predicted'])
train_view['original']=pd.DataFrame(Y_test).reset_index().delay
train_view['difference']=train_view.origin
浏览 2提问于2020-03-22得票数 1
我使用了ligth GBM算法，并创建了一个类似于以下内容的管道： #model definition
model_lgbm = LGBMClassifier(
#training loss
objective='binary', # write a custom objective function that is cost sensitive
n_estimators = params['n_estimators'],
max_
浏览 128提问于2021-08-16得票数 0
回答已采纳
1回答
我想使用一个热编码为我的简单模型。然而，无论我如何设置它，它似乎都会触发一个错误。首先，即使我有1.0.2版本的sklearn，但热编码并不是将字符串转换为浮动。现在的问题是，因为我的培训数据中的值与测试数据中的值长度不同。训练只有两个价值，测试有三个。我该怎么解决这个问题？准确的误差是一个系列的真值含糊不清。另一种想法的错误是重塑数据。
import lightgbm as lgbm
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTr
浏览 4提问于2022-01-01得票数 1
如何改进矩阵中这种奇怪的、难以辨认的数字格式，使它只显示简单的数字？
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.ensemble import RandomForestClassifier
from lightgbm import LGBMClassifier
from sklearn.ensemble impo
浏览 3提问于2020-05-21得票数 0
回答已采纳
我有六个模型，想用一个ROC图表来评价它们。
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.ensemble import RandomForestClassifier
from lightgbm import LGBMClassifier
from sklearn.ensemble import RandomFor
浏览 2提问于2020-05-24得票数 1
回答已采纳
2回答
我正在学习如何使用气流建造机器学习管道。
但是没有找到将熊猫数据从一个任务传递到另一个任务的方法.似乎需要将数据转换为JSON格式，还是将数据保存在每个任务中的数据库中？
最后，我不得不把一切都放在一件事上.是否在气流任务之间传递数据？
这是我的密码：
from datetime import datetime
import pandas as pd
import numpy as np
import os
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.mode
浏览 0提问于2021-11-06得票数 7
回答已采纳
我正在浏览示例管道，用于从scikit-learn文档中提取和评估 。在那里，它们显示了下面的管道
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.linear_model import SGDClassifier
pipeline = Pipeline(
[
("vect", CountVectorizer()),
(
浏览 10提问于2022-04-28得票数 0
1回答
我建立了一个ML模型的原型，该模型由预处理+多个叠加回归器组成。我希望我的一位同事开发一个API来查询模型。是否有任何方法可以查询模型(sklearn管道)而不必下载所有依赖项(XGBoost、LGBM、CatBoost、.)。
我试图用贾瓦布序列化它，但是当我们在另一台机器上反序列化它时，它需要安装依赖项。
其目标实际上是将sklearn的管道转换为一个完全的惰性黑匣子，这需要最少的设置。有可能吗？
浏览 0提问于2020-06-09得票数 0
回答已采纳
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“passthrough”时，此函数修改了提供列的顺序。我应该确保在拟合模型时保留相同的列顺序，或者只要我使用相同的特性，顺序就不重要了。
浏览 0提问于2020-02-10得票数 1
回答已采纳
2回答
我正在处理一个在sagemaker中使用文本数据进行分类的问题。在这里，我首先将其拟合并转换为结构化格式(例如，通过在sklearn中使用TFIDF )，然后我将结果保存在S3桶中，并将其用于训练我的pytorch模型，并在我的入口点为其编写了代码。
如果我们注意到，在上述过程结束时，我有两个模型。
滑雪板TFIDF模型
实际PyTorch模型
因此，每当我需要预测一个新的文本数据时，我需要使用我在培训期间创建的TFIDF模型分别处理(转换)文本数据。
如何创建一个管道，在萨吉梅克与滑雪板的TFIDF和火把模型。
如果我在入口点的主要方法中使用TFIDF对文本数据进行拟合和转换
浏览 0提问于2019-09-03得票数 0
我想为LinearSVC估计器生成一个学习曲线，它使用countVectorizer来提取特征。countVectorizer还应用了一些特性选择步骤。
我可以做以下几点：
适用于所有数据的向量器，包括选择顶级N个特征使用这些特征拟合linearSVC 使用linearSVC作为sklearn.model_selection.learning_curve() 中的估计量
但我认为这会导致信息泄漏:基于所有数据的信息将被用于为学习曲线中使用的较小集合选择特征。
这是正确的吗？有没有一种方法可以在不泄露信息的情况下使用内置sklearn.model_selection.learning_curve
浏览 5提问于2019-12-18得票数 0
回答已采纳
我想在神经轴管道中使用分类器，例如sklearn.linear_model.SGDClassifier，并使用partial_fit在线安装它。我将分类器封装在带有SKLearnWrapper的use_partial_fit=True中，如下所示：
from neuraxle.pipeline import Pipeline
from neuraxle.steps.sklearn import SKLearnWrapper
from sklearn.linear_model import SGDClassifier
p = Pipeline([
SKLearnWrapper(SGDC
浏览 2提问于2020-10-22得票数 1
回答已采纳
我想正确地使用一些轻型gbm函数。
这是一种标准的方法，它与任何其他分类器与sklearn没有什么不同：
定义X，y
train_test_split
创建分类器
搭上火车
预测试验
比较
X_train，X_test，y_train，y_test = train_test_split(X，y，test_size=0.25) #可能是DecisionTreeClassifier()，RandomForestClassifier() etc模型= lgb.LGBMClassifier() model.fit(X_train，y_train) predicted_y = m
浏览 0提问于2019-11-06得票数 3
我正在使用scickit-learn调优一个模型的超参数。我使用管道将预处理与估计器链接在一起。我的问题的一个简单版本如下所示：
import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
grid = GridSearchCV(m
浏览 2提问于2017-04-12得票数 33
回答已采纳
2回答
我有两个阶段的数据：
import numpy as np
data_pre = np.array([[1., 2., 203.],
[0.5, np.nan, 208.]])
data_post = np.array([[2., 2., 203.],
[0.5, 2., 208.]])
我还有两个预先存在的拟合估值器：
from sklearn.preprocessing import Imputer
from sklearn.ensemble import GradientBoostingRegres
浏览 1提问于2016-06-17得票数 3
回答已采纳
我想将LGBMClassifier集成到现有代码中。代码调用fit(X，y)，而LGBMClassifier将需要fit(X，y，eval_set，回调，eval_metric)。我试图将eval_set、回调、eval_metric封装在BaseEstimator中，以公开统一的api
在没有封装的情况下，我完成了以下工作：
from sklearn.datasets import load_breast_cancer
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA
from sklear
浏览 13提问于2022-04-04得票数 1
有没有一种方便的机制来锁定科学工具包学习管道中的步骤，以防止它们在pipeline.fit()上重新部署？例如：
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline
from sklearn.datasets import fetch_20newsgroups
data = fetch_20newsgroups(subset='train
浏览 0提问于2017-02-09得票数 7
我最近从sklearn上试用了StackingClassifier和StackingRegressor，但是我注意到它总是非常慢，而且使用我的cpu效率很低。假设(就为了这个例子)，我想使用StackingClassifier来堆叠随机林和lightgbm，也使用lightgbm作为最终分类器。在这种情况下，我希望运行StackingClassifier所需的时间大致等于运行单个随机森林所需的时间+运行两个单独的lightgbm +一些小的边距的时间(因此，主要是各部分的和+训练StackingClassifier本身的时间+小范围)，但是在实践中，它似乎需要几倍的时间。示例：
import
浏览 15提问于2022-07-17得票数 1
1回答
我遇到了一个使用Grid search调优参数的示例，以及在管道中使用TfidfVectorizer()调优文本数据的示例。据我所知，当我们调用grid_search.fit(X_train，y_train)时，它会转换数据，然后根据字典中的描述来拟合模型。然而，在评估过程中，我对测试数据集感到有点困惑，因为当我们调用grid_search.predict(X_test)时，我不知道/(如何) TfidfVectorizer()应用于此测试块。
谢谢
大卫
import pandas as pd
from sklearn.feature_extraction.text import Tfidf
浏览 0提问于2019-10-14得票数 0
我对LightGBM非常陌生，我正试图通过LGBMRegressor来适应简单的线条。
import numpy as np
import lightgbm as lgbm
xs = np.linspace(0, 10, 30).reshape((-1, 1))
ys = np.linspace(0, 10, 30)
reg = lgbm.sklearn.LGBMRegressor()
reg.fit(xs, ys)
print reg.predict(xs)
>>> array([ 0., 0., 0., 0., 0., 0., 0., 0.,
浏览 0提问于2017-10-09得票数 1
回答已采纳
1回答
我正在尝试使用管道和GridSearchCV将岭回归模型拟合到数据。
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import Pipeline
X = transformed_data.iloc[:, :-1]
y = transformed_data['class']
X_train, X_test, y_train, y_test = train_test_split(X
浏览 1提问于2021-12-02得票数 0
回答已采纳
1回答
我正在尝试介绍用于文本多重分类的LightGBM。熊猫数据栏2列，其中“类别”和“内容”设置如下。
Dataframe:
contents category
1 this is example1... A
2 this is example2... B
3 this is example3... C
*Actual data frame consists of approx 600 rows and 2 columns.
在此，我试图将文本分为3类，如下所示。
码：
import pandas as pd
im
浏览 1提问于2018-05-09得票数 4
1回答
我在Python中拟合了基本的LGBM模型。
# Create an instance
LGBM = LGBMRegressor(random_state = 123, importance_type = 'gain') # `split` can be also selected here
# Fit the model (subset of data)
LGBM.fit(X_train_subset, y_train_subset)
# Predict y_pred
y_pred = LGBM.predict(X_test)
我看的是文件：
importance_ty
浏览 3提问于2020-11-27得票数 1
回答已采纳
我在试着解释这张图表。
我不知道该怎么解释，因为我认为LGBM验证错误的事实是广泛的，类似于训练盒图，没有过度拟合的问题，但是当我看到另一种执行LGBM的图表时，我可以看到LGBM确实是过度的，所以我真的不知道如何解释这个正确的方法。
📷
但我不知道还能怎么解释
LightGBM可能是最好的选择，因为它更快，最后您可以获得足够的准确性，与其他两个相比，套袋有较少的超适合，因为误差之间的差异较小。
有什么想法吗？
谢谢
浏览 0提问于2020-06-27得票数 1
回答已采纳
1回答
LightGBM内件中的若干问题
、、、、
无法理解LightGBM (Windows )是怎么回事。以前我有这个算法真的很强大，但是现在他的表现太差了。
为了进行比较(每个算法中的默认参数)，LightGBM根据简单的DIFF-metric = (实际预测)执行。
CatBoostRegressor() - 18142884
XGBoostRegressor() - 20235110
GradientBoostingRegressor() - 20437130
LGBMRegressor() - 60296698 (version=2.0.5)
我试图用HyperOpt找到一些更好的参数，但也没有成功。
LGB
浏览 5提问于2017-08-18得票数 1
回答已采纳
我从lightgbm.sklearn.LGBMClassifier包中训练了一个使用lightgbm的模型。我可以从模型中找到训练数据的列数和列名，但是我没有找到找到训练数据行号的方法。是否可以这样做呢？最好的解决办法是从模型中获得训练数据，但我没有遇到过这样的情况。
# This gives the number of the columns the model is trained with
lgbm_model.n_features_
# Any way to find out the row number of the training data as well?
lgbm_model
浏览 5提问于2022-02-14得票数 1
回答已采纳
我在试着理解科学学习管道是如何工作的。我有一些虚拟数据，我试图拟合一个随机森林模型的虹膜数据。这是一些代码
from sklearn import datasets
from sklearn import svm
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
from sklea
浏览 1提问于2020-10-02得票数 4
回答已采纳
1回答
时间序列数据的CV分割
、、、
我目前正在处理ts数据，我想要做的是为模型评估生成交叉验证集。我就是这样做的：
# Splitting train & validation
df['date_posted'] = pd.to_datetime(df['date_posted'])
df_train = df[(df['date_posted'].dt.year > 2009) & (df['date_posted'].dt.year < 2014)].copy()
df_test = df[df['date_posted
浏览 0提问于2018-04-26得票数 0
回答已采纳
1回答
我无法与LGBM的cv评分相匹配。
这是一个MCVE：
from sklearn.datasets import load_breast_cancer
import pandas as pd
from sklearn.model_selection import train_test_split, KFold
from sklearn.metrics import roc_auc_score
import lightgbm as lgb
import numpy as np
data = load_breast_cancer()
X = pd.DataFrame(data.data, col
浏览 0提问于2019-02-15得票数 2
回答已采纳
我正在尝试在python中使用sklearn包装器LGBMClassifier类。数据集的形状和类型： print(type(train_x))
train_x.shape (3125，18) print(type(train_y))
train_y.shape (3125，) from lightgbm import LGBMClassifier
lgbm_wrapper = LGBMClassifier(n_estimators=400, learning_rate=0.1, random_state=123)
lgbm_wrapper.fit(train_x, train_y,
浏览 97提问于2021-02-02得票数 0
1回答
我想要做的是:获得支持向量机的K折交叉验证分数。数据具有所有的数字自变量，以及分类因变量。我正在使用python3，sklearn和功能引擎。
我对这件事的理解；
自变量有NA值，所有的值都低于总数据点的5%，所以我使用训练集中的中值来估算它们，因为变量不是正态分布的。我还使用测试集中的值缩放了训练集和测试集的值。我的火车测试比例是80:20。
我知道，仅使用训练集来缩放和估算数据是一种很好的做法。因为这有助于避免过度拟合和数据泄漏。
当涉及到Kfold交叉验证时，训练和测试集都会发生变化。
问题；
有没有办法确保我可以根据每个fold的训练集重新估算和重新缩放训练和测试集？
感谢您的帮助，谢
浏览 3提问于2019-12-11得票数 0
当支持向量回归模型(SVR)嵌入到管道和网格搜索中时，我在scikit learn中访问该模型的系数时遇到了问题。考虑以下示例：
from sklearn.datasets import load_iris
import numpy as np
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.pipeline import Pipeline
iris = load_iri
浏览 0提问于2016-11-13得票数 2
我想知道轻型GBM中L1 & L2正则化是如何工作的，以及如何解释特性的重要性。
场景是:我在包含400000个观测量和160个变量的数据集上使用了RandomizedSearchCV (cv=3，iterations=50)的LGBM。为了避免过度拟合/反求，我为alpha/L1 & lambda/L2参数提供了以下范围，并且根据随机搜索的最佳值分别为1& 0.5。
'reg_lambda'：0.5、1、3、5、10 'reg_alpha'：0.5、1、3、5、10
现在我的问题是:使用reg_lambda=1和reg_alpha=0.
浏览 0提问于2019-08-08得票数 6
回答已采纳
1回答
我正在开发一个使用LightGBM的二进制分类器。我的分类器定义如下： # sklearn version, for the sake of calibration
bst_ = LGBMClassifier(**search_params, **static_params, n_estimators = 1500)
bst_.fit(X = X_train, y = y_train, sample_weight = TRAIN_WEIGHTS,
eval_set = (X_test, y_test), eval_sample_weight = [TEST_WEIGHTS
浏览 56提问于2021-06-17得票数 1
1回答
我有评估6种型号同时分类质量的表格。代码占用了这么多的空间，这让我很恼火。这就是为什么我想问是否有人可以用一个循环来介绍这个问题。
from prettytable import PrettyTable
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.ensemble import RandomForestClass
浏览 3提问于2020-05-21得票数 0
回答已采纳
1回答
我从中摘取了这个代码片段。我没有做的是从预测的数据中提取参数。对于三次函数，我想知道ax^3 + bx^2 + cx +d方程中的a，b，c和d。如何在管道中做到这一点，特别是对于RANSAC估计器？
from matplotlib import pyplot as plt
import numpy as np
from sklearn.linear_model import (
LinearRegression,
TheilSenRegressor,
RANSACRegressor,
HuberRegressor,
)
from sklearn.metric
浏览 6提问于2021-12-15得票数 1
回答已采纳
我使用RandomizedSearchCV (RSCV)作为LGBMClassifier的默认5倍简历和一个评估集。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
model_LGBM=LGBMClassifier(objective='binary',metric='auc',random_state=0,early_stopping_round=100)
distributions = dict(max_depth=range
浏览 2提问于2022-07-07得票数 0
回答已采纳
在logistic回归中使用正则化参数C(见)，使函数的拟合得到很好的定义，避免过拟合或step函数的问题(见)。
然而，logistic回归中的正则化应该只考虑特征的权重，而不是截距(这里还解释了：)。
但似乎sklearn.linear_model.LogisticRegression实际上也规范了拦截。原因如下：
1)仔细考虑上面的链接()：sigmod稍微向左移动，靠近拦截0。
2)尝试用logistic曲线和人工最大似然函数拟合数据点。将截距包含到L2范数中，得到与sklearn函数相同的结果。
请提出两个问题：
1)我是否弄错了，这是一个错误，还是有充分的理由使拦截正规化？
( 2
浏览 7提问于2017-11-02得票数 4
回答已采纳
1回答
用新数据更新LGBM模型
、、、
我想使用额外的数据来“更新”一个已经训练过的光梯度增强模型(LGBM)。有办法吗？
我正在寻找一种使用Skealrn的方法，因此可以在管道中使用。
浏览 3提问于2020-05-28得票数 0
回答已采纳
在用KNN对估计量进行拟合之前，如何使用sklearn方法选择传递给LinearDiscriminantAnalysis(n_components=2)方法的最优特征进行降维。
pipeline = make_pipeline(Normalizer(), LinearDiscriminantAnalysis(n_components=2), KNeighborsClassifier(n_neighbors=10))
X = self.dataset
y = self.postures
min_features_to_select = 1 # Minimum number of featu
浏览 14提问于2021-05-19得票数 1
回答已采纳
我正在尝试使用scikit学习PLSRegressor类作为降维的中间步骤，但是收到了以下错误。
ValueError: could not broadcast input array from shape (100,2) into shape (100)
我从scikit-学习文档中了解到，管道中实现fit和transform的任何中间步骤都应该有效。PLSRegression类确实实现了这些方法。
类sklearn.pipeline.Pipeline(步骤)
依次应用转换列表和最终估计器。管道的中间步骤必须是“转换”，也就是说，它们必须实现fit和transform方法。最后的估计只需实
浏览 4提问于2017-01-26得票数 2
1回答
我发现可以用sklearn.mixture.GaussianMixture (参见)用sklearn (例如直方图，见第一张图)将高斯混合模型拟合到一维信号中。
我现在想要在2维上拟合高斯混合模型(例如，见第二张图)。这也有可能吗？
浏览 1提问于2018-02-08得票数 0
1回答
C参数在sklearn.linear_model.LogisticRegression中的含义是什么？它对决策边界有何影响？C的高值是否使决策边界非线性？如果我们可视化决策边界，逻辑回归的过度拟合是什么样子？
浏览 12提问于2021-05-13得票数 12
我正在尝试使用LogisticRegressionCV来拟合一个弹性网络模型。我想看看交叉验证后LogisticRegressionCV会选择什么L1比率。我从its documentation上读到，在拟合之后，我们可以通过它的属性l1_ratio_访问它。但是当我尝试这个的时候，它失败了。 代码是： from sklearn.linear_model import LogisticRegressionCV
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
clf = LogisticRegre
浏览 21提问于2021-04-01得票数 0
回答已采纳
我正在使用Scikit-learn RFECV为使用交叉验证的逻辑回归选择最重要的特征。假设X是n，x个特征数据帧，y表示响应变量：
from sklearn.pipeline import make_pipeline
from sklearn.grid_search import GridSearchCV
from sklearn.cross_validation import StratifiedKFold
from sklearn import preprocessing
from sklearn.feature_selection import RFECV
import sklearn
浏览 5提问于2015-06-26得票数 21
回答已采纳
1回答
无法从管道绘制树
、、、
我有下面的决策树分类代码，我可以看到这个模型的预测结果，但不能绘制树 from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.compose import make_column_selector as selector
from sklearn.t
浏览 25提问于2021-04-03得票数 0
回答已采纳
1回答
我正在工作从sklearn堆叠回归，我使用lightgbm来训练我的模型。我的lightgbm模型有一个早期停止选项，为此我使用了eval数据集和度量。
当它输入到StackingRegressor时，我看到了这个错误
ValueError: For early stopping, at least one dataset and eval metric is required for evaluation
这是令人沮丧的，因为我的代码中确实有它们。我想知道发生了什么事？这是我的密码。
import numpy as np
import pandas as pd
import light
浏览 12提问于2021-01-14得票数 0
回答已采纳
我想预测的结果，元特征，由堆叠与原来的特征。
我曾经使用mlxtend来堆叠，并且尝试使用元特性的原始特性，但是这个库不能很好地工作。
from lightgbm import LGBMRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston
from mlxtend.regressor import StackingRegressor
from sklearn.base import BaseEstimator, TransformerMixin
浏览 1提问于2019-02-28得票数 0
回答已采纳
1回答
背景：
我已经创建了一个基本的建模流程，在sklearn中，利用sklearn的管道对象。在流水线中有一些预处理步骤，管道的最后一步是拟合一个执行自动特征选择的估计器，例如lasso回归。因此，我从n个特性开始我的工作流，但最终只有m(其中m< n)将被用来对最终模型进行预测。下面是一个简单的例子：
from sklearn.datasets import load_breast_cancer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklear
浏览 0提问于2021-02-03得票数 0
1回答
我想在拟合之前和之后检查scikit-learn模型的超参数的值： from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0)
X_train, X_test, y_t
浏览 20提问于2021-10-03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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
