使用GridSearchCV测试多条流水线
GridSearchCV是一个用于参数调优的工具，它可以帮助我们在给定的参数空间中搜索最佳的参数组合。在机器学习中，我们通常会使用多条流水线（pipeline）来进行数据预处理、特征工程和模型训练等步骤。使用GridSearchCV可以自动化地测试多条流水线，以找到最佳的参数组合。
GridSearchCV的工作原理是通过穷举搜索的方式，遍历给定参数空间中的所有可能组合，并使用交叉验证来评估每个参数组合的性能。具体而言，它将数据集划分为训练集和验证集，然后对每个参数组合进行训练，并在验证集上评估性能指标（如准确率、精确率、召回率等）。最后，GridSearchCV会选择具有最佳性能指标的参数组合作为最终的模型参数。
使用GridSearchCV测试多条流水线的步骤如下：
- 定义多条流水线：根据具体任务的需求，定义多条流水线，每条流水线包含数据预处理、特征工程和模型训练等步骤。例如，可以使用Pipeline类来定义流水线，其中每个步骤由一个元组表示，包含步骤名称和对应的处理器。
- 定义参数空间：为每个步骤定义需要调优的参数空间。可以使用字典的形式，将步骤名称和对应的参数空间进行映射。参数空间可以包含不同的参数及其取值范围。
- 创建GridSearchCV对象：使用GridSearchCV类创建一个参数搜索器对象。需要传入定义好的流水线和参数空间。
- 执行参数搜索：调用GridSearchCV对象的fit方法，传入训练数据集和目标变量。GridSearchCV会自动执行参数搜索，并返回具有最佳性能指标的参数组合。
- 获取最佳参数组合：通过访问GridSearchCV对象的best_params_属性，可以获取到具有最佳性能指标的参数组合。
- 使用最佳参数组合进行模型训练和预测：使用最佳参数组合重新构建流水线，并在整个训练数据集上进行训练。然后可以使用该模型进行预测。
GridSearchCV的优势在于它能够自动化地搜索最佳的参数组合，避免了手动调参的繁琐过程。它可以帮助开发者快速找到最佳的模型参数，提高模型的性能和泛化能力。
在腾讯云中，可以使用腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）来进行参数调优和模型训练。TMLP提供了丰富的机器学习算法和模型训练工具，可以方便地进行GridSearchCV等参数搜索操作。具体产品介绍和链接地址可以参考腾讯云的官方文档。
相关·内容
如何在GridSearchCV中分别缩放每个折叠？ 在训练ML模型时，我们应该对训练数据的特征进行归一化(缩放)。然后在测试数据上使用拟合的定标器。但是如果使用网格搜索CV (5折)，我们通常会向它提供已经缩放的训练数据。然后被分成多个折叠。但是我们如何分别扩展4-1个折叠层呢？ scl = MinMaxScaler()
scl.fit_transform(X_train)
scl.transform(X_test)
# The training data was scaled all together and
# not train and validation separately
c
浏览 43提问于2019-10-11得票数 2
我正在我的数据集上试验特征选择，我注意到我得到了不同的结果，a)将特征选择放在一个GridSearchCV对象包装的管道中并调用'fit'，b)在特征选择器上调用fit_transform，然后在分类器上应用GridSearhCV，从特征选择器获取fit_transformed特征矩阵。是不是因为'fit‘和'fit_transform’的区别？我不确定我是否说得很清楚，但下面是gridsearch的代码：
fs=SelectFromModel(LogisticRegression(class_weight='balanced',penalty=
浏览 4提问于2017-07-12得票数 2
回答已采纳
我正在尝试在管道中实现imblearn的攻击。我的数据集是存储在pandas dataframe中的文本数据。请看下面的代码片段
text_clf =Pipeline([('vect', TfidfVectorizer()),('scale', StandardScaler(with_mean=False)),('smt', SMOTE(random_state=5)),('clf', LinearSVC(class_weight='balanced'))])
在此之后，我将使用GridsearchCV。
grid
浏览 6提问于2018-11-02得票数 6
2回答
好吧，我正在尝试理解如何以及在算法中的哪个点应用Kfold和GridSearchCV。此外，如果我理解正确，GridSearchCV用于超参数调整，即参数的值将提供最佳结果，Kfold用于更好的泛化，以便我们在不同的折叠上进行训练，从而减少偏差，如果数据以某种特定方式排序，则增加泛化。现在的问题是，GridSearchCV不是也在使用CV参数进行交叉验证吗？那么，我们为什么需要Kfold，如果我们需要的话，我们是否在GridSearchCV之前就做了呢？稍微概述一下这个过程会非常有帮助。
浏览 2提问于2018-03-19得票数 4
我最近正在阅读JonhL.Hennessy和DavidA.Patterson著的“计算机架构:定量方法”一书。
我发现在第4章中广泛使用了术语"Lane“，但没有明确和正式地定义。
它出现的第一个地方如下：
所有现代矢量计算机都有具有多条平行管道(或车道)的矢量功能单元，每个时钟周期可产生两个或两个以上的结果.第290页(第6版)。
我对“里”和“管道”这两个词有点困惑。他们是一样的吗？
浏览 1提问于2019-03-10得票数 1
1回答
我正在拟合一个随机森林回归模型，使用流水线PCA和网格搜索进行超参数选择，但不知何故它给了我一个错误。下面是我的代码： params_rf = {'RandomForestRegressor__n_estimators': [300, 400, 500],
'RandomForestRegressor__max_depth': [4, 6, 8],
'RandomForestRegressor__min_samples_leaf': [0.1, 0.2],
'
浏览 19提问于2020-08-23得票数 0
回答已采纳
我对这个有疑问。
作者正在进行超参数调整。第一个窗口显示超参数的不同值。
然后初始化gridsearchcv，并提到cv=3和scoring='roc_auc'
然后他适合gridsearchcv并使用eval_set和eval_metric='auc'
使用cv和eval_set的目的是什么？我们不应该只用其中的一种吗？如何与scoring='roc_auc' and eval_metric='auc'一起使用
是否有更好的方法使用gridsearchcv进行超参数优化？请建议或提供一个链接
浏览 12提问于2022-08-19得票数 0
回答已采纳
1回答
这是英特尔流水线指令吗？
、、、、
据我所知，intel 8086 pipelining是一种技术
当执行当前指令时，获取下一个指令。
文章说，流水线的一个优势是
消除了欧盟的等待时间，加快了的处理速度。
我认为，像lea 0x7(%eax), %ecx这样的指令可以分成几个指令，
就像add $0x7, %eax; lea %eax, %ecx。
我的想法)
所以，根据定义，
我认为上面的例子与intel 8086 pipelining的定义相匹配
因为它在一个时隙执行多条指令，和
所以像这个这样的操作加快了处理的速度。
问题)
我很好奇下面的指令可以是流水线的例子。
main:
mov $0x2, %eax
mov $0
浏览 2提问于2019-01-19得票数 0
回答已采纳
我使用GridSearchCV在我的支持向量机模型中找到了最佳的超参数。但是我对进球有点困惑。这是我的网格搜索代码：
# Train SVM with GridSearchCV
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
pipe = Pipeline([
('scaler', Stand
浏览 6提问于2021-08-27得票数 1
回答已采纳
在这个简化的例子中，我使用GridSearchCV来训练Logistic回归。和往常一样，我希望模型能够很好地概括，所以我想仔细观察测试集的结果。在使用GridSearchCV时，我找不到一种简单的方法来做到这一点。
lr_pipeline = Pipeline([('clf', LogisticRegression())])
lr_parameters = {'clf__fit_intercept':[True,False]}
lr_gs = GridSearchCV(lr_pipeline, lr_parameters)
lr_gs = lr_gs.fit
浏览 2提问于2016-03-23得票数 0
我尝试在网格搜索中使用随机森林，但出现以下错误
ValueError: Invalid parameter classifier for estimator Pipeline(steps=[('tfidf_vectorizer', TfidfVectorizer()),
('rf_classifier', RandomForestClassifier())]).
Check the list of available parameters with `estimator.get_params().keys()`.
import
浏览 112提问于2021-02-25得票数 1
回答已采纳
GridSearchCV和RandomizedSearchCV的best_estimator_是：
通过简单的评分方法之一:精确性、召回性、精确性等，只返回最佳的估计量。基于训练集的评估仅基于。
我想丰富这些限制
我自己对methodsEvaluate评分的定义是在测试集上进一步评分，而不是GridSearchCV所做的训练。最终，测试集的性能才是重要的。在我的网格搜索中，训练集倾向于提供几乎完美的精度。
我正在考虑通过以下方式来实现这一目标：
RandomizedSearchCVWith 获取GridSearchCV和GridSearchCV中的单个估计量/模型，在测试集上进行预测，并使用自
浏览 6提问于2020-07-12得票数 0
我需要为ANN找到最佳的超视距，然后对最佳模型进行预测。我用KerasRegressor。我发现相互矛盾的例子和建议。请帮助我理解正确的顺序和使用什么参数时。
我使用<code>E 110</code>列车<代码>E 211</code>数据集GridSearchCV.fit(X_Train, Y_Train)I上的GridSearchCV <code>E 211</code>数据集，并将其用于<code>D16<//code>在<code>E 117</code>测试代码&
浏览 2提问于2022-06-10得票数 0
我使用20%的数据集作为我的测试集，并使用GridSearchCV来实现K折交叉验证来调优超参数。
通过使用管道，我们可以将列转换器和机器学习算法一起放入GridSearchCV中。如果我为GridSearchCV设置了5折交叉验证，该函数将使用5个不同的训练和验证集来训练和验证每个超参数组合。据我所知，GridSearchCV使用5折分数的平均值来选择最好的模型。
那么我的问题是，它是如何转换测试集的？
我对此感到非常困惑，因为为了避免数据泄漏，我们应该只使用训练集来拟合转换器，但在本例中，我们有5个不同的训练集，而我不知道GridSearchCV函数使用哪一个来拟合和转换验证和测试集。
我
浏览 10提问于2021-11-17得票数 0
2回答
我有一个关于GridSearchCV的问题
通过使用这个方法：
gs_clf = GridSearchCV(pipeline, parameters, n_jobs=-1, cv=6, scoring="f1")
我指定k倍交叉验证应该与6倍一起使用，对吗？
这就意味着我的语料库被分成训练集和单元集6次。
这不意味着对于GridSearchCV，我需要使用整个语料库，如下所示：
gs_clf = gs_clf.fit(corpus.data, corpus.target)
如果是这样的话，我将如何从那里得到我的训练集，用于预测方法？
predictions = gs_clf.p
浏览 1提问于2016-11-11得票数 7
回答已采纳
2回答
我目前正在解决一个问题，该问题比较了三种不同的机器学习算法在相同数据集上的性能。我将数据集划分为70/30个训练/测试集，然后使用GridSearchCV和X_train, y_train对每个算法的最佳参数进行网格搜索。
第一个问题，我是应该在训练集上执行网格搜索，还是应该在整个数据集上执行网格搜索？
第二个问题，我知道GridSearchCV在其实现中使用了K-fold，如果我在GridSearchCV中比较的所有三种算法都使用相同的X_train, y_train，这是否意味着我执行了交叉验证？
任何答复都将不胜感激，谢谢。
浏览 6提问于2018-03-08得票数 22
回答已采纳
我认为n_samples是训练例子的数量。但是当使用GridSearchCV时，n_samples变成32而不是50。
使用GridSearchCV时的Error：
预期n_neighbors <= n_samples，但n_samples = 32，n_neighbors = 50
Training示例：
print(X_train.shape[0]) => 50
print(len(y_train)) => 50
This工作：
neigh = KNeighborsClassifier(n_neighbors=50)
neigh.fit(X_train, y_train)
浏览 0提问于2018-02-07得票数 2
回答已采纳
我正在处理一个有监督的学习问题，并试图预测一个二进制标签，并使用随机森林进行预测。
我试着调整我的超参数，根据我的数据给我一个最好的模型。我可以用GridSearchCV()来做这件事，但是对于随机森林来说，这是正确的吗？如果我使用的是GridSearchCV()，那么训练集和测试集就会随每个折叠而变化。根据我的理解，我们可以在oob_true = True中设置RandomForestClassifier()，我们已经在评估外包装样品(所以简历已经在射频中建立了)。
使用随机森林获得最佳OOB成绩的规则是什么？我能不能只循环一组参数，并适合同一训练和测试集？我可以使用GridSearchCV
浏览 0提问于2020-06-19得票数 0
1回答
我知道这将是非常基本的，但是我真的很困惑，我想更好地理解参数调优。
我正在开发一个基准数据集，该数据集已经划分为三个部分:培训、开发和测试，我希望使用来自GridSearchCV的sklearn对分类器参数进行调优。
，调优参数的正确分区是什么？是开发还是培训？
我在文献中看到研究人员提到，他们“在开发拆分中使用GridSearchCV调整参数”，另一个例子是；
他们的意思是他们接受了训练，然后测试了开发计划吗？或者ML实践者通常意味着他们完全在开发分割上执行GridSearchCV？
我真的很想澄清一下。谢谢,
浏览 0提问于2018-09-29得票数 1
1回答
我目前正在研究一个二进制分类问题，培训集中大约有2000个数据点，我不知道是否应该使用整个培训集进行网格搜索，或者是否应该先进行分割以生成验证数据。我有以下两个变体可供选择。第一种是火车/val的分裂，第二种是不分裂的(整个训练集上的GridSearchCV)。
1.变体
列车/汽配
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, stratify=y, random_state=rs)
GridSearchCV on SVC (只使用x_train和y_train)
skf = Stratified
浏览 3提问于2020-11-10得票数 0
1回答
在我的项目中，我使用GridSearchCV在sklearn中彻底搜索指定的参数值，以寻找模型的最佳参数值。我只是在RandomForestClassifier中测试了它，并帮助我找到了最好的max_depth和n_estimators。基于此，我有两个问题：
GridSearchCV是否使用了最大似然估计(MLE)的概念？
与对每个模型使用GridSearchCV不同，是否有一种技术可以用于为数据集选择最佳模型？我认为这是在模型选择的概念下，但我不知道如何通过sklearn使用它。
谢谢
浏览 5提问于2017-05-01得票数 1
1回答
我试图用以下代码使用GridSearchCV找到NN回归模型的最佳参数：
param_grid = dict(optimizer=optimizer, epochs=epochs, batch_size=batches, init=init
grid = GridSearchCV(estimator=model, param_grid=param_grid, scoring='neg_mean_squared_error')
grid_result = grid.fit(input_train, target_train)
pred = grid.predict(input_
浏览 2提问于2017-10-06得票数 0
回答已采纳
我想使用GridSearchCV对我拥有的10个预定义的选定数据进行参数调整和评估(作为数据索引列表)。
有谁知道如何在scikit中给GridSearchCV添加10个预定义的测试折叠列表？
splits=[ [0,10,9,1,2,..] ,[3,5,7,..],[23,4,34,..]] #len(split)=10
greed_search = GridSearchCV(estimator, param_grid=parameters, cv=splits,scoring=scoring, refit=score, error_score=0, n_jobs=n_jobs)
浏览 10提问于2018-02-27得票数 1
回答已采纳
我看到kde使用交叉验证来解决最佳带宽问题，但是这一行代码意味着bandwidths = 10 ** np.linspace(-1, 1, 100)，为什么变量bandwidths是这样的呢？这是 In [11]:
from sklearn.grid_search import GridSearchCV
from sklearn.cross_validation import LeaveOneOut
bandwidths = 10 ** np.linspace(-1, 1, 100)
grid = GridSearchCV(KernelDensity(kernel='gaussian
浏览 8提问于2022-08-19得票数 0
我正在尝试使用n_neighbors为KnearestClassifier找到优化的GridSearchCV值。我能够得到优化的参数，但是当我在分类器中输入这些参数时，结果与GridSearchCVs的最佳结果不匹配。
clf = KNeighborsClassifier(n_neighbors=15, weights='uniform')
clf.fit(features_train, labels_train)
print('Score using optimized parameters: {}'.format(clf.score(features_
浏览 0提问于2017-03-25得票数 1
回答已采纳
在模型运行后，我使用scikit's GridSearchCV.运行了一次交叉验证，绘制了平均火车误差(这是我k个折叠的平均值)，但是当我看这个图时，它并没有给出分类器的best_param_属性的最小值。
这是因为GridSearchCV不是决定褶皱的平均数，而是决定每个褶皱的平均值吗？
文件上说：
best_params_：dict参数设置，它在等待数据上提供了最好的结果。
我的代码：
grid = GridSearchCV(estimator= LinearDiscriminantAnalysis(),param_grid=parameters, cv=loo,
浏览 0提问于2019-03-04得票数 0
回答已采纳
我正在学习统计学习/ ML课程，目前正在做一个包括分类任务的项目，我有一些关于random_state参数的新手问题。我的模型的准确性根据random_state的不同而有很大的变化。我目前正在使用逻辑回归(来自sklearn.linear_model.LogisticRegression())。我尝试使用GridSearchCV方法调优超参数。 问题:我得到不同的预测精度，这取决于我使用的random_state。 我尝试过的方法:我尝试将random_state参数设置为全局状态(使用np.random.seed( randomState )并在脚本顶部将randomState设置为整数
浏览 155提问于2020-10-05得票数 0
我有一些测试和训练数据，测试数据没有任何依赖变量。
我目前正在运行一个GridSearchCV或RandomizedSearchCV来查找最佳参数。
我是否应该将所有的“测试”X&y值通过到GridSearchCV或RandomizedSearchCV中？
我知道它做了交叉验证，所以我相信它可以吗？
但是如果是这样的话，best_estimator有哪些数据适合呢？所有的一切？或者其中一个褶皱上的数据？
之后，我是否需要重新修改完整的测试数据？
浏览 4提问于2019-11-16得票数 0
回答已采纳
2回答
我很难在GridSearchCV中计算出参数GridSearchCV。来自
return_train_score：布尔值，可选
如果False的话，cv_results_属性将不包括训练分数。
我的问题是：的训练分数是多少？
在下面的代码中，我将数据分割成10个分层的褶皱。因此，grid.cv_results_包含10个测试分数，即'split0_test_score'、'split1_test_score'、.、'split9_test_score'。我知道其中的每一个都是由一个5近邻分类器获得的成功率，该分类器使用对应的折叠进行测试，
浏览 2提问于2018-04-18得票数 5
回答已采纳
1回答
谁能告诉我A和B之间的区别？
A =kfold = KFold(n_splits=5)
grid = GridSearchCV(SVC(), parameters, cv=kfold, scoring='accuracy')
B= GridSearchCV(svc, parameters, cv=cv, scoring='accuracy', n_jobs=cpu_num)
浏览 0提问于2019-06-16得票数 0
回答已采纳
我正在对文本数据(大约4000篇新闻文章)进行主题建模。为此，我使用Sklearn LDA模型。在执行此操作时，我使用GridSearchCV来选择最佳模型。然而，在几乎所有的情况下，GridSearchCV都建议使用最少的主题作为最佳模型。
例如1：
# Define Search Param
search_params = {'n_components': [5, 7, 10, 12, 15, 18, 20], 'learning_decay': [.5, .7, .9]}
# Init the Model
lda = LatentDirichletAll
浏览 0提问于2020-03-18得票数 0
1回答
我在一个预测模型上运行了一个GridSearchCV，评分设置为精确。X和Y是测试分片。
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC
tuned_parameters = [{'kernel': ['rbf'], 'gamma': [1e-3, 1e-4],
'C': [10, 100,
浏览 0提问于2019-05-26得票数 1
1回答
我已经创建了一个管道使用sklearn，以便多个模型将通过它。既然在模型拟合之前就有向量化，那么这种矢量化是否总是在模型拟合过程之前进行的呢？如果是的话，也许我应该把这个预处理从管道里拿出来。
log_reg = LogisticRegression()
rand_for = RandomForestClassifier()
lin_svc = LinearSVC()
svc = SVC()
# The pipeline contains both vectorization model and classifier
pipe = Pipeline(
[
('
浏览 1提问于2022-08-17得票数 0
回答已采纳
2回答
当我使用GridSearchCV和xgboost执行网格搜索时
kfold = StratifiedKFold(n_splits=3, shuffle=False, random_state=random_state)
model = xgb.XGBClassifier()
grid_search = GridSearchCV(model, param_grid, scoring="roc_auc",
n_jobs=4, cv=kfold, verbose=1)
GridSearchCV内部使用的轮数是多少？
浏览 0提问于2017-01-16得票数 2
如我所知，交叉验证(在GridSearchCV/RandomizedSearchCV中)将数据拆分为折叠，其中每个折叠作为一个验证集一次。但是的一条建议
通过评估各种参数设置来选择模型可以看作是一种使用标记数据来“训练”网格参数的方法。在评估结果模型时，重要的是在网格搜索过程中没有看到的被搁置的示例上这样做:建议将数据拆分为一个开发集(将输入到GridSearchCV实例)和一个计算性能度量的评估集。这可以通过使用train_test_split实用程序函数来完成。
因此，我们可以使用"train_test_split“来分割原始数据，以训练数据和有效数据。
X_train,
浏览 2提问于2021-08-19得票数 0
回答已采纳
如果我计划使用交叉验证(KFold)，我是否仍应将数据集拆分为培训和测试数据，并仅在培训集上执行培训(包括交叉有效)？或者简历会为我做所有的事？例如。
备选案文1
X_train, X_test, y_train, y_test = train_test_split(X,y)
clf = GridSearchCV(... cv=5)
clf.fit(X_train, y_train)
选项2
clf = GridSearchCV(... cv=5)
clf.fit(X y)
浏览 5提问于2017-11-27得票数 4
回答已采纳
我试图对kaggle的泰坦尼克数据集的决策树分类器进行交叉验证。清理数据后的第一步是将数据分割成火车和测试设备：
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(train, Y, test_size=0.2, random_state=0)
然后将数字转换为缩放值：
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
x_train = sc.
浏览 0提问于2020-02-18得票数 1
回答已采纳
我使用管道和GridSearchCV自动选择功能。由于数据集很小，所以我将GridSearchCV中的参数'cv‘设置为StratifiedShuffleSplit。代码如下所示：
selection = SelectKBest()
clf = LinearSVC()
pipeline = Pipeline([("select", selection), ("classify", clf)])
cv = StratifiedShuffleSplit(n_splits=50)
grid_search = GridSearchCV(pipeline,
浏览 6提问于2016-12-10得票数 0
回答已采纳
我是机器学习的新手。这是我的1^{st}机器学习项目，我正在对不平衡的数据集进行分类。目标变量中也有多个类。
我想知道在GridSearchCV中评分最合适的指标是什么。
我认为
roc_au有时用于不平衡的数据集。但是有几个
‘roc_auc’
‘roc_auc_ovo’
‘roc_auc_ovr’
我该用哪一种？
或者，查准率-召回_auc也被使用.但我似乎找不到GridSearchCV的评分标准。我如何在GridSearchCV中使用它？
谢谢
X_train, X_test, y_train, y_test = train_test_split(X_total, Y_total,
浏览 0提问于2021-10-26得票数 1
通过Gridsearchcv添加超参数有哪些缺点，
假设我有这条管道
pipe_svm = Pipeline([
('clf', svm.SVC()])
我也在用Gridsearchcv，
param_range =[1]
gs_svm = GridSearchCV(estimator=pipe_svm,
param_grid={'clf__C':param_range})
为了简单起见，我只使用了一个超参数，即C(错误项惩罚参数)。
在功能上，使用Gridsearchcv的方案是从给定的值集合中找到最佳的超参数，但在这种情况下，只提供
浏览 3提问于2021-08-18得票数 2
回答已采纳
1回答
我正在尝试使用sklearn来训练MNIST分类任务的KNN模型。当我试图使用sklearn的GridSearchCV或RandomisedSearchCV类来调优参数时，我的代码需要非常长的时间才能执行。
作为一个实验，我使用带有默认参数的KNeighborsClassifier()创建了一个KNN模型，并将这些相同的参数传递给GridSearchCV。Afaik，这应该意味着GridSearchCV只有一组参数，因此实际上不应该执行“搜索”。然后，我对训练数据调用了.fit()方法，并对它们的执行时间进行了计时(请参阅下面的代码)。KNN模型的.fit()方法运行时间约为11秒，而Grid
浏览 11提问于2022-08-01得票数 2
回答已采纳
我需要用4个不同的分类器来执行GridSearchCV。我有128个CPU，我可以在不同的会话中使用(64个CPU的2个会话，32个CPU的4个会话，等等)。
我想问一问，是否有任何方法可以知道哪一种更快：
运行1次会话w/ 128 64CPUs 4次；并行运行2次会话w/ 64 Run；并行运行4个会话w/ 32 Run 1次。
浏览 3提问于2022-01-16得票数 -3
1回答
我在二进制分类数据集上执行了Logistic回归。结果如下：
训练集精度分数为0.8523，测试集精度为0.8442.。
对于模型的评估和改进，可以使用Kfold和GridSearch cv：
褶皱验证
应用5倍交叉验证
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X_test, y_test, cv = 5, scoring='accuracy')
print('Cross-validation scores:{}'.format
浏览 0提问于2021-08-23得票数 0
回答已采纳
在这个简单的例子中，我用GridSearchCV训练了一个学习者。我想返回最好的学习者的混淆矩阵时，预测的全套X。
lr_pipeline = Pipeline([('clf', LogisticRegression())])
lr_parameters = {}
lr_gs = GridSearchCV(lr_pipeline, lr_parameters, n_jobs=-1)
lr_gs = lr_gs.fit(X,y)
print lr_gs.confusion_matrix # Would like to be able to do this
谢谢
浏览 7提问于2016-03-22得票数 10
回答已采纳
1回答
pipe = Pipeline([('reduce_dim', LinearDiscriminantAnalysis()),('classify', LogisticRegression())])
param_grid = [{'classify__penalty': ['l1', 'l2'],
'classify__C': [0.05,0.1, 0.3, 0.6, 0.8, 1.0]}]
gs = GridSearchCV(pipe, param_grid=p
浏览 3提问于2017-08-08得票数 0
标准化数据而不使用管道： kfold = KFold(3, shuffle = True, random_state = 3)
grid = GridSearchCV(estimator = LinearRegression(), param_grid = params, cv = kfold)
x = scaler_std.fit_transform(x)
y = scaler_std.fit_transform(np.array(y).reshape(-1, 1))
grid.fit(x,y) 将缩放器放入管道中： pipe = make_pipeline(StandardScal
浏览 12提问于2021-04-21得票数 1
6回答
在sklearn中，GridSearchCV可以以管道作为参数，通过交叉验证找到最佳估计量。然而，通常的交叉验证如下：
为了交叉验证时间序列数据，培训和测试数据常常被分割成这样：
也就是说，测试数据应该始终领先于培训数据。
我的想法是：
编写我自己的k-折叠版本类，并将它传递给GridSearchCV，这样我就可以享受管道的方便。问题是，似乎很难让GridSearchCV使用特定的培训和测试数据索引。
编写一个类似于GridSearchWalkForwardTest的新类GridSearchCV，我正在研究源代码grid_search.py，发现它有点复杂。
浏览 6提问于2015-08-11得票数 33
1回答
我想了解Gridsearchcv的逻辑是如何工作的。我查看了、正式的和源代码，但我无法理解以下内容：
Gridsearchcv背后的一般逻辑是什么？
Clarifications
如果我使用默认的cv = 5，那么输入数据的%拆分为:培训、验证和测试？
Gridsearchcv多久执行一次这样的分割，以及它如何决定哪些观察属于训练/验证/测试？
既然交叉验证正在进行，那么在超参数调整中，平均值在哪里发挥作用呢？也就是说，最优的超参数值是对某种平均值进行优化的值吗？
这个问题和我一样担心，但我不知道最新的信息是什么，我也不确定我是否理解那里的所有信息。例如，根据“任择
浏览 1提问于2020-11-26得票数 0
回答已采纳
1回答
我在试着理解滑雪的。关于在GridsearchCV中使用交叉验证，以及如何进一步使用GridsearchCV的建议，我几乎没有什么基本问题。
假设我声明一个GridsearchCV实例，如下所示
from sklearn.grid_search import GridSearchCV
RFReg = RandomForestRegressor(random_state = 1)
param_grid = {
'n_estimators': [100, 500, 1000, 1500],
'max_depth' : [4,5,6,7,8,9,
浏览 1提问于2018-11-26得票数 0
回答已采纳
1回答
现在大多数数据库都支持一次向数据库中插入多条记录。这比逐个插入记录要快得多，因为只需要一个事务。SQL语法类似于： INSERT INTO tbl_name (a,b,c)
VALUES(1,2,3), (4,5,6), (7,8,9); 现在我正在一个小项目中使用Python Scrapy。我使用它的项目管道将抓取的数据存储到数据库中。然而，项目管道背后的逻辑是，将在每个项目上调用相关的方法。所以它总是一次只插入一个项目。我如何收集大约100个项目并在一次运行中插入它们？
浏览 27提问于2020-10-10得票数 1
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
