使用GridSearchCv优化SVR()参数
GridSearchCV是一种用于优化机器学习模型参数的方法，特别适用于支持向量回归（SVR）模型。它通过穷举搜索给定参数空间中的所有可能组合，找到最佳的参数组合，从而提高模型的性能和准确性。
SVR是一种基于支持向量机（SVM）的回归算法，用于解决回归问题。它通过在特征空间中构建一个超平面，使得样本点到该超平面的距离最小化，从而实现回归预测。SVR的优势在于可以处理非线性关系和高维数据，并具有较好的泛化能力。
使用GridSearchCV优化SVR()参数的步骤如下：
- 定义参数空间：确定需要优化的参数及其取值范围。例如，可以选择优化SVR的核函数类型（linear、poly、rbf等）、惩罚参数C的取值范围等。
- 创建SVR模型：使用sklearn库中的SVR()函数创建一个SVR模型对象。
- 创建GridSearchCV对象：使用sklearn库中的GridSearchCV()函数创建一个GridSearchCV对象，传入SVR模型和参数空间。
- 拟合数据：使用GridSearchCV对象的fit()方法拟合训练数据，该方法将自动执行穷举搜索并找到最佳参数组合。
- 获取最佳参数：使用GridSearchCV对象的best_params_属性获取最佳参数组合。
- 使用最佳参数重新训练模型：使用最佳参数重新创建SVR模型，并使用训练数据进行训练。
- 进行预测：使用训练好的模型进行预测。
GridSearchCV优化SVR()参数的应用场景包括但不限于金融预测、股票市场分析、天气预测、销售预测等需要进行回归分析的领域。
腾讯云提供了多个与机器学习和云计算相关的产品，其中包括腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）和腾讯云人工智能开发平台（https://cloud.tencent.com/product/tcailab），这些产品可以帮助用户进行机器学习模型的训练和优化。
请注意，以上答案仅供参考，具体的参数选择和产品推荐应根据实际需求和情况进行。
相关·内容
让我们考虑一个多元回归问题(2个响应变量:纬度和经度)。目前，一些机器学习模型的实现，如支持向量回归sklearn.svm.SVR，目前并不提供对多元回归的天真支持。因此，可以使用sklearn.multioutput.MultiOutputRegressor。
示例：
from sklearn.multioutput import MultiOutputRegressor
svr_multi = MultiOutputRegressor(SVR(),n_jobs=-1)
#Fit the algorithm on the data
svr_multi.fit(X_train, y_trai
浏览 0提问于2017-04-21得票数 26
我有一个多标签的问题。我和支持向量机一起使用OneVsRestClassifier。现在，我希望通过GridSearchCV来调优参数。我试过了
GridSearchCV(estimator=OneVsRestClassifier(svm.SVC(probability=True)), param_grid=dict(C=Cs),
n_jobs=-1)
它返回各种错误信息。
如何使用GridSearchCV进行OneVsRestClassifier？也许我该做个管道？然而，OneVsRestClassifier与支持向量机之间的关系似乎并不像所期望的
浏览 2提问于2016-04-02得票数 7
1回答
估计管道(SVR)的无效参数
、、、、
我有一个包含100列连续特性的数据集和一个连续标签，我想运行SVR；提取相关性的特性，调优超参数，然后交叉验证适合我的数据的模型。
我写了这段代码：
X_train, X_test, y_train, y_test = train_test_split(scaled_df, target, test_size=0.2)
cv = RepeatedKFold(n_splits=10, n_repeats=3, random_state=1)
# define the pipeline to evaluate
model = SVR()
fs = SelectKBest(score_f
浏览 2提问于2021-03-02得票数 0
回答已采纳
2回答
是否有一种方法可以访问在GridSearchCV进程中计算出来的预测值？
我希望能够根据它们的实际值(从测试/验证集)绘制预测的y值。
一旦网格搜索完成，我可以使用
ypred = grid.predict(xv)
但我希望能够绘制在网格搜索过程中计算出来的值。也许有一种方法可以把熊猫的数据保存下来？
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV, KFold,
cross_val_score, train_test_split
from s
浏览 0提问于2018-04-03得票数 6
回答已采纳
我试图使用GridSearchCV()找到SVR()估计器的C& gamma的最佳值，但是我得到了这个错误
TypeError：“KFold”对象不可迭代
这是代码
from sklearn.grid_search import GridSearchCV
from sklearn.model_selection import KFold
C_range = np.logspace(-2, 10, 13)
gamma_range = np.logspace(-9, 3, 13)
param_grid = dict(gamma=gamma_range, C=C_range)
cv = KF
浏览 0提问于2016-12-31得票数 3
我使用GridSearch进行参数优化，使用sklearn进行10倍交叉验证的预测值，如下所示：
svr_params = {
'C': [0.1, 1, 10],
'epsilon': [0.01, 0.05, 0.1, 0.5, 1],
}
svr = SVR(kernel='linear', coef0=0.1, shrinking=True, tol=0.001, cache_size=200, verbose=False, max_iter=-1)
best_svr = GridSearchCV(
svr,
浏览 9提问于2018-08-25得票数 0
回答已采纳
我正在研究一个回归问题，并希望评估使用不同标准化方法(StandardScaler、RobustScaler、Normalizer、.)的效果。稍后，我还想评估处理丢失数据的不同方法(SimpleImputer、IterativeImputer)。
这是我目前的设置。
# Create some dummy data
X = pd.DataFrame({
'x1': np.random.rand(1000)*123 - 83,
'x2': np.random.rand(1000)*23 + 34
})
y = X['x1'] *
浏览 1提问于2019-05-17得票数 2
回答已采纳
我正在使用sklearn做一些机器学习。我经常使用GridSearchCV来探索超参数和执行交叉验证。使用它，我可以指定一个scoring函数，如下所示：
scores = -cross_val_score(svr, X, Y, cv=10, scoring='neg_mean_squared_error')
但是，我想使用均方误差来训练我的SVR模型。不幸的是，在SVR的构造函数或fit方法中都没有scoring参数。
我该怎么做呢？
谢谢!
浏览 2提问于2018-03-10得票数 2
1回答
对于超参数调优，我使用来自package sklearn的函数sklearn。我测试的一些模型需要特征缩放(例如支持向量回归- SVR)。最近，在Udemy课程机器学习A-Z™：中，教员提到对于SVR，目标也应该进行缩放(如果不是二进制的话)。考虑到这一点，我想知道在GridSearchCV执行的交叉验证过程的每一次迭代中，目标是否也是缩放的，或者是否只缩放了这些特性。请参阅下面的代码，该代码说明了我用于对需要对培训集进行缩放的估计器进行超参数优化的正常过程：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessi
浏览 1提问于2021-04-17得票数 2
回答已采纳
我正在使用GridSearchCV为我的SVR模型获取最佳参数(C & gamma)，当我运行它时，我被卡住了几个小时，没有结果，那么这段代码有什么问题呢？
from sklearn.model_selection import KFold
C_range = np.logspace(-2, 10, 13)
gamma_range = np.logspace(-9, 3, 13)
param_grid = dict(gamma=gamma_range, C=C_range)
cv = KFold(n_splits=5, shuffle=False, random_state=None)
浏览 0提问于2016-12-25得票数 0
我试图链接网格搜索和递归功能消除在一个管道使用scikit学习。
带有“裸”分类器的GridSearchCV和RFE工作得很好：
from sklearn.datasets import make_friedman1
from sklearn import feature_selection
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
est = SVR(k
浏览 0提问于2016-04-17得票数 17
回答已采纳
我想为每个估计器找到完整的参数集：
estimators = [df.svm.SVR(), df.svm.LinearSVR(), df.svm.NuSVR()]
在测试代码中，我只添加了几个在示例中找到的细节'kernel':('linear', 'rbf')：
from sklearn import svm, grid_search, datasets
iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), &#
浏览 5提问于2015-12-28得票数 1
回答已采纳
1回答
我需要同时对特定的组进行许多交叉验证。
SVR超参数：((C_0，gamma_0)，(C_1，gamma_1).(C_n，gamma_n))，因此，寻找一种并行化方法来加速它。
也许可以运行GridSearchCV，这样就可以不检查超参数的每一个可能组合，而是以“元素明智”的方式检查它们。示例：
tuned_parameters = [{'kernel': ['rbf'], 'gamma': [1e-3, 1e-4],
'C': [100, 1000]]
clf = GridSe
浏览 0提问于2018-05-12得票数 1
回答已采纳
1回答
尝试为多个输出执行SVR。从对我有用的超参数调优开始。现在我想使用最优的参数来创建模型，但是我得到了一个错误。怎么解决这个问题？
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.multioutput import MultiOutputRegressor
svr = SVR()
svr_regr = MultiOutputRegressor(svr)
from sklearn.model_selection import KFold
kfold_splitt
浏览 11提问于2022-08-18得票数 1
回答已采纳
1回答
我正在通过GridSearchCV进行SVR和SVC的优化，其中有n_jobs=-1，这在我的例子中是8，我的问题是，为什么第一次拟合比最后一次拟合运行得非常快？如照片中所示，10212次射击花费了23.7秒，但全部次数106764只需要20.7分钟，这应该是4.2分钟，只有假设线性外推法。
下面是代码的示例：
opt = GridSearchCV(SVR(tol=tol),param_grid=param_grid,scoring=scoring,n_jobs=n_jobs,cv=cv,verbose=verbose)
opt.fit(allr_sets_nor[:,:2],allr_set
浏览 3提问于2017-02-20得票数 0
回答已采纳
2回答
我试图加快GridSearchCV的进程(用于调整RBF-函数的参数)。然而，这需要永远的时间。我有一个适度小的数据集(维度600×8)，所以我不认为维度是一个问题。
我在这篇文章中听说过BaggingRegressors：，但我似乎无法使它适用于GridSearchCV的回归。
下面的代码可以工作，但需要很长时间才能计算。
parameters = {'epsilon': np.arange(0.1, 1.0, 0.01) ,'C': 2.0 **
np.arange(-2, 9), 'gamma': n
浏览 1提问于2018-07-31得票数 1
回答已采纳
1回答
SVR的递归特征消除和网格搜索
、、、、
我使用SVR来解决一个预测问题，我想做特征选择以及超参数搜索。我试图同时使用RFECV和GridSearchCV，但是我收到了代码中的错误。
我的代码如下：
def svr_model(X, Y):
estimator=SVR(kernel='rbf')
param_grid={
'C': [0.1, 1, 100, 1000],
'epsilon': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1, 5, 10],
'gamma': [0.00
浏览 8提问于2020-04-10得票数 0
回答已采纳
4回答
AUC的网格搜索查找参数
、、、
我正在努力寻找我的SVM的参数，它能给我最好的AUC。但是我在sklearn中找不到任何AUC的评分函数。有人有主意吗？以下是我的代码： parameters = {"C":[0.1, 1, 10, 100, 1000], "gamma":[0.1, 0.01, 0.001, 0.0001, 0.00001]}
clf = SVC(kernel = "rbf")
clf = GridSearchCV(clf, parameters, scoring = ???)
svr.fit(features_train ,
浏览 54提问于2016-06-08得票数 11
回答已采纳
1回答
支持向量机回归参数的整定
、、、
我正在尝试创建一个SV回归。我用一些高斯噪声从sinc函数生成数据。
现在，在寻找最佳参数的径向基函数内核，我使用GridSearchCV运行5倍交叉验证。
P.S-I是python和机器学习的新手，所以也许代码在某种程度上并不是非常优化或正确的。
我的代码：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import mean_squared_
浏览 7提问于2017-12-30得票数 4
我一直在努力优化Scikit-Learn中的SVR模型，但一直无法理解如何利用GridSearchCV。
考虑一下中提供的示例代码的稍微修改的情况。
from sklearn import svm, grid_search, datasets
iris = datasets.load_iris()
parameters = {'kernel': ('linear', 'rbf'), 'C':[1.5, 10]}
svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, paramete
浏览 4提问于2014-09-20得票数 9
回答已采纳
我想调优"SVR()“回归函数的参数。它开始处理并不停止，我无法弄清楚问题所在。我正在使用SVM回归函数SVR()预测一个参数。在Python.so中默认值的效果不好，我想试着用"GridSearchCv“调优它。最后一部分"grids.fit(Xtrain，ytrain)“开始运行，没有给出任何错误，也没有停止。代码：
从sklearn.model_selection导入GridSearchCV。
param = {'kernel' : ('linear', 'poly', 'rbf', 'sig
浏览 136提问于2019-08-14得票数 3
回答已采纳
我正在结合使用GridSearchCV和包含标准化的管道作为第一步。我发现，当使用.predict方法GridSearchCV对测试数据集进行预测时，结果与手动实现管道步骤时的结果不同。我在下面创建了我的脚本的简化版本，以显示发现的错误不同。为了简单起见，搜索空间每个参数只包含一个值。
我知道这里的差别很小。但在我的原始代码中，这种差异要大得多。因此，我试图了解是什么导致了这两种方法的区别。
初始化数据
import random
import numpy as np
from sklearn.metrics import mean_absolute_error
from sklearn.m
浏览 2提问于2020-11-03得票数 2
回答已采纳
1回答
我试图使用在原子结构上应用ML。我的问题是，根据我使用的数据，我得到了非常不同的分数值，我怀疑我的模型有什么问题，任何建议都会很感激。我使用了dataset 。
这是我的代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import ase
from dscribe.descriptors import SOAP
from dscribe.descriptors import CoulombMatrix
from sklearn.model_selection import train_te
浏览 9提问于2022-07-16得票数 1
我正在尝试获取SVR模型的最佳参数集。我想在不同的C值上使用GridSearchCV。然而，从之前的测试中，我注意到划分为训练/测试集会对整体性能产生很大影响(本例中为r2)。为了解决这个问题，我想实现一个重复的5折交叉验证(10 X 5CV)。有没有一种内置的方式使用GridSearchCV来执行它？
快速解决方案：
遵循sci-kit 中提出的想法，快速解决方案表示为：
NUM_TRIALS = 10
scores = []
for i in range(NUM_TRIALS):
cv = KFold(n_splits=5, shuffle=True, random_state=
浏览 3提问于2017-02-14得票数 18
我试图用下面的代码来GridSearch最好的超级参数：
search =GridSearchCV(
make_pipeline(RobustScaler(),
SVR()#,
#cv=kf
#refit=True
),
param_grid = {
'estimator__svr__kernel': ('linear', 'rbf',&#
浏览 2提问于2022-08-17得票数 1
我正在尝试用运行示例代码
from sklearn import svm, datasets
from pyspark import SparkContext
from spark_sklearn import GridSearchCV
iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svr = svm.SVC()
sc = SparkContext()
clf = GridSearchCV(sc, svr, pa
浏览 7提问于2017-09-13得票数 1
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
1回答
我有一个有300个点和32个不同标签的数据集，我想通过网格搜索和LabelKFold验证来绘制它的学习曲线来评估一个LabelKFold模型。
我的代码如下所示：
import numpy as np
from sklearn import preprocessing
from sklearn.svm import LinearSVR
from sklearn.pipeline import Pipeline
from sklearn.cross_validation import LabelKFold
from sklearn.grid_search import GridSearchCV
浏览 1提问于2016-06-25得票数 13
回答已采纳
1回答
这是我的密码
我使用网格搜索cv进行超参数调整。但它显示出错误。
param_grid = {"kernel" : ['linear', 'poly', 'rbf', 'sigmoid'],
'loss' : ['epsilon_insensitive', 'squared_epsilon_insensitive'],
"max_iter" : [1,10,20],
'
浏览 0提问于2020-08-29得票数 0
回答已采纳
1回答
其主要思想是根据输入特征预测2个目标输出。
输入特性已经使用sklearn中的Standardscaler()进行了缩放。X_train的大小为(19x6)，Y_train =(19x2)。X_test为(20x6)，Y_test = (20x2)
线性核和径向基函数核也利用GridsearchCV寻找最佳的C(线性)、γ和C (' rbf ')。
问题我在线性和径向基函数核上使用MultiOutputRegressor进行SVR，但是，预测的输出彼此非常相似(不完全是常数预测)，而且与y.的真实值相差甚远。
下面的是表示Y的真实值的散点图。第一张图片对应于第一个目标Y:,0的
浏览 10提问于2022-01-26得票数 0
1回答
尝试对多输出进行SVR
、、、
因为SVR只支持一个输出，所以我尝试在我的模型上使用SVR，它有6个输入和19个输出，使用MultiOutputRegressor。
我从超参数调优开始。然而，我得到了下面的错误。如何修改代码以支持MultiOutputRegressor
from sklearn.svm import SVR
from sklearn.model_selection import RandomizedSearchCV
svr = SVR()
svr_regr = MultiOutputRegressor(svr)
from sklearn.model_selection import KFold
kfol
浏览 5提问于2022-08-18得票数 0
1回答
我正在尝试从我抓取的数据集中预测一些价格。为此，我从未使用过Python (我通常使用tidyverse，但这次我想探索pipeline。下面是代码片段： import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.svm imp
浏览 25提问于2020-12-10得票数 2
回答已采纳
1回答
在阅读了大量关于交叉验证的文章之后，我现在感到困惑了。我知道交叉验证用于评估模型性能，并用于从多个算法中选择最佳算法。在选择最佳模型后(通过检验CV分数的均值和标准差)，我们在整个数据集(训练和验证集)上对该模型进行训练，并将其用于现实世界的预测。
假设在交叉验证中使用的三种算法中，我选择了最好的一种。我不明白的是，在这个过程中，我们什么时候调整超参数？我们是在交叉验证过程中使用嵌套交叉验证来调优超参数，还是首先通过交叉验证选择性能最好的算法，然后只为该算法调优超参数？
PS:我将数据集分为训练、测试和有效，在这里我使用训练集和测试集来构建和测试我的模型(这包括所有的预处理步骤和嵌套的cv)，
浏览 0提问于2021-11-24得票数 2
回答已采纳
1回答
我是机器学习的新手，在我所读的书籍和文档中，总有一个0到1之间的分数值，它代表着0%到100%之间的准确性。
在我自己的机器学习代码中，我得到了-750.880810和5154.771036之间的分数，这让我很困惑。
>>> pipe = Pipeline([("scaler", MinMaxScaler()), ("svr", SVR())])
>>> param_grid = {'svr__C':[0.1, 1, 5],
'svr__epsilon':[0.00
浏览 1提问于2020-01-16得票数 0
1回答
我正在学习交叉验证-网格搜索，并偶然发现这个和教程也被上传到作为一个ipython笔记本。我试图在中重新创建代码，同时搜索多个参数，但不是使用knn，而是使用支持向量机回归。这是我的密码
from sklearn.datasets import load_iris
from sklearn import svm
from sklearn.grid_search import GridSearchCV
import matplotlib.pyplot as plt
import numpy as np
iris = load_iris()
X = iris.data
y = iris.targe
浏览 3提问于2016-03-30得票数 22
回答已采纳
1回答
我正在使用滑雪板和微调我的支持向量机，但当我试图做一个GridSearchCV，我得到的参数，我甚至没有网格搜索！
例如：
parameters = {'kernel':['linear'], 'C': [10, 100, 1000]}
cv = cross_validation.ShuffleSplit(len(X), n_iter=4, test_size=0.1, random_state=None)
svr = SVC()
clf = grid_search.GridSearchCV(svr, parameters, cv=cv)
clf
浏览 3提问于2016-01-04得票数 1
回答已采纳
1回答
我目前正在使用Python的scikit-learn创建支持向量回归模型，我想知道如何根据预测变量找到目标变量的显式回归方程。它不一定要简单或美观，但是Python有没有一种方法必须输出它(特别是对于多项式内核)？我是使用SVR的新手，而且我不确定回归方程在回归拟合后用于测试观察的预测中会是什么样子。
我已经建立了一个预测性能令人满意的SVR模型，并且我已经使用GridSearchCV来调优超参数。但是，我需要目标变量的显式形式，用于独立优化的预测器，并且不知道如何找到这个方程。
from sklearn.svm import SVR
svr = SVR(kernel = 'poly&
浏览 0提问于2019-07-17得票数 0
我目前正在研究一个多输出回归问题，在这个问题上，我试图同时预测多个输出值。我知道有一些标准的回归者在本地支持这个任务。
但是，我想使用RegressorChain并使用GridSearchCV优化RegressorChain中Regressor的超参数。我为此编写了以下代码：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.model_selection import GridSearch
浏览 8提问于2020-07-03得票数 2
回答已采纳
我不能让GridSearchCV尊重我的交叉验证参数。我正在做以下几件事：
folds = ShuffleSplit(n_splits = 5, train_size = 37, test_size=5, random_state=42)
grid = GridSearchCV(
SVR(kernel='rbf'),
cv=folds.split(X_scaled),
param_grid={
'C': (.1, 1, 10,
浏览 1提问于2020-05-12得票数 1
回答已采纳
10回答
我正在寻找一种方式，从grid_scores_图形从GridSearchCV在滑雪。在这个例子中，我尝试网格搜索SVR算法的最佳伽马和C参数。我的代码如下：
C_range = 10.0 ** np.arange(-4, 4)
gamma_range = 10.0 ** np.arange(-4, 4)
param_grid = dict(gamma=gamma_range.tolist(), C=C_range.tolist())
grid = GridSearchCV(SVR(kernel='rbf', gamma=0.1),param_gr
浏览 4提问于2016-05-11得票数 39
回答已采纳
1回答
当我使用Scikit learn的SVR来拟合一些自己的数据时，经过训练的估计器最终不包含支持向量，从而预测始终不变的值。令我惊讶的是，当使用一些随机的训练数据时，相同的代码是完美无缺的。我的密码怎么了？数据有问题吗？(我还有很多其他数据显示了同样的问题。)
下面是代码的一个最小示例，首先使用随机训练数据。为了确保数据能够被安装，我还添加了KernelRidge作为保证。从随机获取的训练数据来看，每件事都很好：
import numpy as np
import pandas as pd
from sklearn.model_selection import GridSearchCV
fro
浏览 1提问于2021-09-08得票数 3
回答已采纳
我试图使用GridSearchCV来选择最佳的输入策略，但我在这样做时遇到了困难。
首先，我有一个为数字和分类列准备数据的管道-
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline, make_pipeline
num_pipe = make_pipeline(Simpl
浏览 5提问于2022-01-27得票数 0
回答已采纳
1回答
我想做一个网格搜索，通过交叉验证的自定义内核支持向量机使用scikit学习。更准确地说，遵循，我想定义一个内核函数，如
def my_kernel(x, y):
"""
We create a custom kernel:
k(x, y) = x * M *y.T
"""
return np.dot(np.dot(x, M), y.T)
其中M是核的参数(如高斯核中的伽马)。
我想通过提供这个参数M，比如
parameters = {'kernel':('my_kernel'), 'C&
浏览 4提问于2015-07-11得票数 3
回答已采纳
正如本课题所述，我在科学学习中支持向量机回归数据集的规范化和标准化方面存在一些问题。
我的问题是：
当我想搜索支持向量机的参数(例如C和gamma )时，我使用以下代码：
param_grid =[ {'C'：1，10,100,1000，‘核’：‘线性’}，{'C'：1，10,100,1000，'gamma'：0.001，0.0001，'rbf'}，] svr = svm.SVC() clf = grid_search.GridSearchCV(svr，param_grid) clf.fit(X_train，TargetT)
浏览 3提问于2015-04-23得票数 1
回答已采纳
1回答
首先，我想说我在发帖之前搜索了很多，但是没有发现任何超过1.0 (100%)的得分。
所以首先我使用GridSearchCV来选择我的模型，但是我没有使用伽马参数，因为GridSearch被卡住了。这是我的代码：
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
svr = SVR()
param_grid = {'kernel':['linear','rbf','poly','sigmoid'], '
浏览 1提问于2016-11-20得票数 4
回答已采纳
我得到了一个矩阵Z (3000*2000)，其中每一行描述一个样本。每一列描述一个单一的特征，即核苷酸(A、G、T、C)，我已经将数据标准化，使每一列只包含0和1。
[[1 1 1 ... 1 1 1]
[1 1 1 ... 1 1 1]
[0 1 0 ... 1 1 1]
...
[1 0 1 ... 0 1 1]
[1 1 0 ... 1 1 1]
[1 1 1 ... 1 1 0]]
Y看起来是这样的：
[
'6484321.23'
'9646585.73'
'2346813.11'
...
'8369179.01&
浏览 3提问于2022-07-13得票数 -1
回答已采纳
我现在像这样使用GridSearchCV和TimeSeriesSplit，所以我的数据被分割成5条简历。
X = data.iloc[:, 0:8]
y = data.iloc[:, 8:9]
SVR_parameters = [{'kernel': ['rbf'],
'gamma': [.01,.001,1],
'C': [1,100]}]
gsc = GridSearchCV(SVR(), param_grid=SVR_parameters, scoring=&#
浏览 1提问于2019-06-21得票数 1
回答已采纳
我尝试使用管道和GridSearchCV的自定义回归函数。
通过设置sklearn.svm.SVR类，然后在设置GridSearchCV时从字典中传递参数，我获得了使用GridSearchCV的方法。
当使用我自己的回归函数(RegFn)时，我似乎无法做同样的事情。特别是，在设置参数字典时，我希望将这些值从参数字典传递给RegFn。
感谢任何关于如何让这件事发挥作用的建议。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
from sklearn
浏览 0提问于2018-04-04得票数 1
回答已采纳
我使用网格搜索来寻找两个模型的最优参数。我必须用整个数据集构建一个模型，用简化的数据集构建另一个模型(这两个模型都需要保持相同的折叠)。因此，对于第二个模型，将从用于第一个模型(一个具有整个数据集)的同一折叠中省略/删除一个数据点列表。以下是我的代码：
rkf = RepeatedKFold(n_splits=2, n_repeats=5, random_state=24)
rkf_new_indices = []
for train_idx, test_idx in rkf.split(x):
Model1x_train, Model1x_test = x[train_idx], x
浏览 1提问于2021-06-05得票数 2
回答已采纳
1回答
我以前用GridSearchCV(...scoring=“准确性”.)分类模型。现在，我将使用GridSearchCV作为回归模型，并使用自己的错误函数设置评分。
示例代码：
def rmse(predict, actual):
predict = np.array(predict)
actual = np.array(actual)
distance = predict - actual
square_distance = distance ** 2
mean_square_distance = square_distance.mean()
浏览 5提问于2018-12-01得票数 4
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
