如何在sklearn中重用酸洗管道中的分类器？
在sklearn中，可以通过使用Pipeline类来重用酸洗管道中的分类器。Pipeline类是一个有序的操作序列，可以将多个数据处理步骤组合在一起，形成一个完整的机器学习工作流程。
要在sklearn中重用酸洗管道中的分类器，可以按照以下步骤进行操作：
- 导入所需的库和模块：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC- 创建一个Pipeline对象，并定义数据处理步骤和分类器：
pipe = Pipeline([
('scaler', StandardScaler()), # 数据预处理步骤
('classifier', SVC()) # 分类器
])在上述代码中，我们使用StandardScaler进行数据预处理，使用SVC作为分类器。你可以根据实际需求选择其他的数据预处理方法和分类器。
- 使用Pipeline对象进行训练和预测：
pipe.fit(X_train, y_train) # 使用训练数据进行训练
y_pred = pipe.predict(X_test) # 使用测试数据进行预测在上述代码中，X_train和y_train是训练数据的特征和标签，X_test是测试数据的特征。通过fit方法对Pipeline对象进行训练，然后使用predict方法进行预测。
通过使用Pipeline类，可以将数据预处理和分类器组合在一起，方便重复使用和调试。这样可以简化机器学习工作流程，并提高代码的可读性和可维护性。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
- 腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
- 腾讯云云服务器（https://cloud.tencent.com/product/cvm）
- 腾讯云云数据库MySQL版（https://cloud.tencent.com/product/cdb_mysql）
- 腾讯云对象存储（https://cloud.tencent.com/product/cos）
- 腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
- 腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
- 腾讯云移动开发平台（https://cloud.tencent.com/product/mpe）
- 腾讯云音视频处理（https://cloud.tencent.com/product/vod）
- 腾讯云网络安全（https://cloud.tencent.com/product/ddos）
- 腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
- 腾讯云元宇宙（https://cloud.tencent.com/product/mu）
相关·内容
我在一组简短的文档上训练了一个分类器，并在得到一个二进制分类任务的合理f1和准确性分数之后对它进行了腌制。
在培训过程中，我减少了使用sciki学习countVectorizer cv的特性数量：
cv = CountVectorizer(min_df=1, ngram_range=(1, 3), max_features = 15000)
然后使用fit_transform()和transform()方法获得转换后的列车和测试集：
transformed_feat_train = numpy.zeros((0,0,))
transformed_feat_test =
浏览 8提问于2014-09-23得票数 5
回答已采纳
使用Sklearn管道，我们可以可视化我们的管道构造。见下面的短图。
我找不到类似的绘图功能的Sklearn堆叠分类器。如何用Sklearn堆叠分类器来表示集成模型构造？
我在google上进行了研究，但没有找到任何关于如何绘制Sklearn堆叠分类器构造的例子。
浏览 1提问于2022-11-16得票数 1
我读到sklearn中的内置集成方法使用决策树作为基本分类器。是否可以使用自定义分类器来代替？
浏览 3提问于2012-05-09得票数 7
回答已采纳
现在，我在中训练了一个名为“GB”的gbdt模型。我想把这个经过训练的模型导出到pmml文件中。但是我遇到了这样的问题: 1.如果我尝试将经过训练的'GB‘模型放入PMMLpipeline并使用sklearn2pmml导出模型。如下所示：
GB = GradientBoostingClassifier(n_estimators=100,learning_rate=0.05)
GB.fit(train[list(x_features),Train['Target']])
GB_pipeline = PMMLPipeline([("classifier",G
浏览 2提问于2017-05-19得票数 0
回答已采纳
2回答
我正在应用ML在Python中使用sklearn/大熊猫进行分类任务。我将尝试各种方法来获得最好的结果，我想知道如何有效地存储和分析分类的所有参数和结果？参数包括：
培训示例的数量(当我获得更多的标记数据时可以扩展)。
一组特征。
分类算法
算法超参数
结果包括：
每个类的精度/召回。
总体精确/召回。
对每个班级等的支持
当然，每次我都可以手动将参数和结果复制到Excel电子表格中，但这不是最佳解决方案。是否有任何Python库(或sklearn/大熊猫模块)可以方便地存储和显示参数和结果以供以后分析？你如何解决这个任务？
浏览 0提问于2016-03-02得票数 5
回答已采纳
1回答
管道滑雪板中的特征提取
、、、、
对于一个文本分类项目，我为特征选择和分类器做了一个管道。现在我的问题是，是否可以在管道中包括特征提取模块，以及如何实现。我查了一些关于它的东西，但它似乎不符合我当前的代码。
这就是我现在拥有的：
# feature_extraction module.
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.feature_extraction import DictVectorizer
import numpy as np
vec = DictVectorizer()
X = vec
浏览 2提问于2017-07-18得票数 0
回答已采纳
我对模型进行了腌制，只想公开用prediction编写的Flask api。但是，当我编写一个没有sklearn的文件来生成一个图像时，我会得到一个错误ModuleNotFoundError: No module named 'sklearn.xxxx'，其中xxx引用了sklearn的ML算法类，此时我使用像classifier = pickle.load(f)这样的泡菜加载模型。
当我重写dockerfile以生成具有sklearn的映像时，即使在API 从不导入sklearn中，也不会得到错误。
我的泡菜概念非常简单，它将用它的所有数据序列化分类器类。因此，当我们解开它时
浏览 1提问于2018-10-22得票数 4
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
我是NLTK和机器学习方面的新手。我正在使用带有NLTK朴素贝叶斯分类器的Python。我使用NLTK创建了一个用于文本分类的朴素贝叶斯分类器，并将其保存在磁盘上。当需要对一些测试数据进行分类时，我还可以使用下面的python代码加载它：
import pickle
f = open('classifier.pickle')
classifier = pickle.load(f)
f.close()
但我的问题是，每当有新的测试数据到来时，我必须一次又一次地在内存中加载这个分类器，由于它的大小，加载需要很长时间(2-3分钟)。此外，如果我必须运行相同情感分析程序的两个实例，这将
浏览 3提问于2013-10-17得票数 1
我正在使用SKLearn和SKLearn2PMML构建SKLearn PMML。我有一些数字的，一些特殊的和日期时间的列，我从它在管道中创建新的特性。当我试图训练模型时，它会失败，因为默认情况下，原始的分类特性也会传递给最终的类。是否有任何方法通过指定功能名称来限制这些特性？
浏览 0提问于2020-07-15得票数 2
回答已采纳
我使用CalibratedClassifierCV是为了能够在LinearSVC上使用predict_proba。现在，我想在我的管道中添加一个自定义分类器，它将概率低于10%的所有预测都分配给“Other”类别。其余的预测类将在没有任何更改的情况下通过。
from sklearn.calibration import CalibratedClassifierCV
from custom_model import RuleBasedClassifier
pipeline_clf = Pipeline([
("MLClassifier", CalibratedClass
浏览 9提问于2019-07-29得票数 0
回答已采纳
2回答
环境：
import pandas as pd
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
样本数据：
X_train = pd.DataFrame({'A': ['a1', 'a3', 'a2'],
'B'
浏览 3提问于2020-03-22得票数 4
回答已采纳
我想用名字来预测性别。不仅仅是名字，还有名字的特征，比如提取“姓氏”作为从名字中派生出来的特性。我的代码流程是这样的:将数据输入df >指定lr分类器和dv dictVectorizer >使用函数创建特性>执行dictVectorization >培训。我想做下面的工作，但找不到任何资源。
1)我想将预测的类(0和1)添加回原始数据集或我可以看到的名称和预测的性别类的数据集中。目前，我的y_test_predictions只对应于稀疏矩阵X_test。
2)如何保留经过训练的分类器，并使用它来预测具有一组名称的不同数据集的性别？我怎样才能插入一个名字"Rick
浏览 4提问于2015-10-28得票数 1
回答已采纳
1回答
我有一个imblearn (非sklearn)管道，由以下步骤组成：
selectorPreprocessing管道( columns)imblearn's SMOTEXGBClassifier上有OneHotEncoders和CountVectorizers的ColumnTransformer)
我有一个表格数据集，我试图解释我的预测。我通过一些工作成功地绘制出了特性重要性图，但无法让eli5或lime发挥作用。
Lime要求我将数据转换为上次转换之前的状态(因为管道中的转换器就像定制的向量器一样创建了新的列)。原则上，我可以像这样分割我的管道：pipeline[:-1].predi
浏览 3提问于2020-10-27得票数 0
回答已采纳
我正在学习多标签、多分类的例子。
当你有这样一个案子的时候
Year Actor Budget | Genre
------------------------------------------------
2004 Tom C. 40,000,000 | Action, Darama
2016 Mel G. 54,000,000 | Comedy, Action, Family
2021 Eva K. 3,000,000 | Comedy, Romance
我看到了一个使用MultiOutputClassifier
浏览 0提问于2022-02-13得票数 0
这是我的输入矩阵
我的样本代码：
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.naive_bayes import MultinomialNB
from sklearn.ensemble import RandomForestClassifier
from sklear
浏览 1提问于2018-05-03得票数 2
回答已采纳
我构建了一个modelPipeline，它运行多分类器，并将pipeline和每个分类器的分数作为DataFrame返回。
如何在下面的GridsearchCV中使用modelPipeline？是否可以在流水线中使用多分类器的GridsearchCV？
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import BernoulliNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SV
浏览 1提问于2021-12-28得票数 2
1回答
我正在制作一个文本分类程序，输入了上千封电子邮件，为了方便起见，我决定在培训完成后将分类器保存在一个被腌制的文件中，这样，在进一步执行程序之后，我就不用再对其进行培训了。
path = 'classifier.pkl'
from sklearn.naive_bayes import GaussianNB
clf = GaussianNB()
if not os.path.exists(path):
# making a classifier
clf.fit(x_train, y_train)
with open(path, 'wb') a
浏览 1提问于2018-07-17得票数 0
回答已采纳
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
我跟随这个例子在线进行简单的文本分类
当我像这样创建分类器对象时
from sklearn.datasets import fetch_20newsgroups
twenty_train = fetch_20newsgroups(subset='train', shuffle=True)
from sklearn.feature_extraction.text import CountVectorizer
count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(twenty_train.
浏览 0提问于2019-09-23得票数 0
回答已采纳
我试图使用功能联合第一次在滑雪管道，结合数字(2列)和文本特征(1列)的多类分类。
from sklearn.preprocessing import FunctionTransformer
from sklearn.pipeline import Pipeline
from sklearn.multiclass import OneVsRestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import FeatureUnion
get_text_data = Func
浏览 9提问于2017-12-11得票数 11
回答已采纳
我正在使用scikit创建一个决策树模型--学习，在使用进行缩放之前，我需要对数据进行拆分。但是，我也想使用cross_val_score()方法。
我首先使用OneHotEncoding()在make_column_transformer()中编码了一些分类数据，如下所示：
transformer = sklearn.compose.make_column_transformer(
(sklearn.preprocessing.OneHotEncoder(handle_unknown='ignore'), ['SoilDrainage'
浏览 7提问于2022-07-25得票数 3
回答已采纳
我们已经提出了一个类似的问题，但答案并没有帮助我解决问题：
我试图使用多个管道对数据进行预处理，使用一个热编码器对分类和数值数据进行预处理(如中所建议的)。
这是我的代码，即使我的分类器产生78%的准确率，我也不知道为什么我不能绘制我正在训练的决策树，以及什么可以帮助我解决这个问题。下面是代码片段：
import pandas as pd
import sklearn.tree as tree
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
浏览 0提问于2021-06-11得票数 1
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
2回答
我一直在使用NTLK分类器来训练数据集和对单个记录进行分类。为了训练记录，我使用这个函数，
nltk.NaiveBayesClassifier.train(train_set)
为了对单个记录进行分类，
nltk.NaiveBayesClassifier.classify(record)
其中，"record“是变量名。
在Scikit分类器中，对于训练数据集，使用的函数是，
from sklearn.ensemble import RandomForestClassifier
classifier = RandomForestClassifier()
classifier.fit(X
浏览 0提问于2018-03-15得票数 1
我建立了以下分类模型：
def buildData(x):
count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(x)
tf_transformer = TfidfTransformer().fit(X_train_counts)
X_train_tf = tf_transformer.transform(X_train_counts)
return X_train_tf
x, y = parseXml('data/training.xml')
浏览 1提问于2018-03-16得票数 0
回答已采纳
我正在使用支持向量机(scikit)对数据进行培训和测试。我正在训练支持向量机，并从中准备泡菜。然后，我用那个泡菜来测试我的系统。首先，我分别以变量train_data和test_data读取训练数据和测试数据。
在此之后，我用于培训的代码是：
vectorizer = TfidfVectorizer(max_df = 0.8,
sublinear_tf=True,
use_idf=True)
train_vectors = vectorizer.fit_transform(tr
浏览 1提问于2017-02-03得票数 0
回答已采纳
1回答
我用Python生成了一个使用sklearn的决策树分类器，该分类器在准确性方面运行良好。我用线性规划的最优解训练分类器，它将项目的最优分配返回给类，同时考虑全局成本约束(即将项目1分配给A类，代价为x。所有项目和类的总结果成本需要小于y值)。
在使用分类器对所有项目进行重新分类后，虽然分类精度是可以接受的，但在大多数分类运行过程中都违反了全局成本约束。当然，因为python中sklearn中的标准决策树不考虑约束。
是否有方法将classification？之后的全局约束合并为？在下一次作业选择时，是否有办法强迫树考虑所有已经分类的项目？我认为这需要建立某种成本或惩罚函数，以便在树的分类过程
浏览 1提问于2019-01-19得票数 2
回答已采纳
我试图用GridSearchCV和管道建立一个多输出模型.管道给我带来了麻烦，因为标准分类器示例没有包装分类器的OneVsRestClassifier()。我正在使用scikit-学习0.18和python 3.5
## Pipeline: Train and Predict
## SGD: support vector machine (SVM) with gradient descent
from sklearn.multiclass import OneVsRestClassifier
from sklearn.pipeline import Pipeline
from sklearn.
浏览 0提问于2016-11-01得票数 14
回答已采纳
假设我有一个决策树分类器，它是用sklearn库构建的。我想将模型文件保存到一个pickle中，现在，我再次加载它来查看模型描述符，即所有的特征和它们的值，我得到的只是模型定义。 代码如下： import pickle
with open("./decision_treee.pkl", 'rb') as f:
pickle_model = pickle.load(f)
print(pickle_model) 这是我得到的输出： `DecisionTreeClassifier(ccp_alpha=0.0, class_weight=None, crite
浏览 9提问于2020-05-02得票数 0
回答已采纳
1回答
我正在对短文本片段(1-3个句子)进行分类。就主题而言，该数据集包含有关植物、动物和无关内容的文本。首先，我使用分类器(线性支持向量机)来标记每个片段的类别(svm_gen: 0-无关，1-植物，2-动物)。工作正常，没有问题。
现在每个类别都有子类别，我也想用自己的算法对每个子类别进行分类。例如，对于植物(svm_plant: 0-其他，1-母猪，2-生长，3-收获)和动物(svm_animal: 0-其他，1-饲料，2-宠物，3-播放)。我如何有选择地将各自的管道应用于预先分类的变量，而不拆分，然后再次追加数据集？
如前所述，我可以基于预分类拆分数据集，在新的熊猫数据帧上应用第二轮分类器，
浏览 2提问于2019-05-14得票数 0
如何在包装在()中的scikit learn分类器上调用partial_fit()？
我正在尝试使用SGDClassifier构建一个可增量训练的文本分类器，如下所示：
from sklearn.linear_model import SGDClassifier
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import HashingVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sk
浏览 0提问于2013-07-30得票数 18
2回答
我们有一个功能，允许用户通过UI界面拖放一个模块，形成一个数据处理管道，如读取数据、进行预处理、进行分类训练等。拖放后，这些模块将按顺序执行。
每个模块将启动一个容器(通过k8s)运行，前一个模块处理的结果以文件的形式保存到cephfs中，下一个模块读取该文件，然后执行操作。这个序列化/反序列化过程很慢。我们计划使用RAPIDS来加速这个管道:通过将数据放在GPU MEM中来改善模块间的数据交换。使用cuDF/cuML而不是Pandas/SKLearn来获得更快的处理速度。
目前我们已经确认可以将这些模块从Pandas/SKLearn移植到cuDF/cuML中，但是由于每个模块都运行在一个容器
浏览 2提问于2019-04-03得票数 4
5回答
是否有更好的内置方式在一个管道中进行网格搜索和测试多个模型？当然，模型的参数是不同的，这对我来说是很复杂的。以下是我所做的：
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.naive_bayes import MultinomialNB
from sklearn.grid_sear
浏览 13提问于2014-04-13得票数 44
回答已采纳
我正在研究一个相对较大的基于文本的web分类问题，我计划在python中的sklearn中使用多项式朴素贝叶斯分类器，并使用scrapy框架进行爬行。然而，我有点担心sklearn/python对于一个可能涉及数百万网站分类的问题来说可能太慢了。我已经在DMOZ的数千个网站上训练了分类器。研究框架如下：
1)爬虫登陆一个域名，抓取网站上20个链接的文本(深度不超过1个)。(对于爬虫的示例运行，这里的标记化单词数量似乎在几千到150K之间变化) 2)运行具有大约50,000个特征的sklearn多项NB分类器，并根据结果记录域名
我的问题是，对于如此大规模的应用程序，基于Python的分类器是否
浏览 0提问于2013-04-13得票数 5
当我使用管道对象时，
当我使用.fit()方法时，管道对象是否适合并转换的火车数据？或者我应该使用.fit_transform()方法？这两者有什么区别？
当我对测试数据使用.predict()方法时，管道对象是否对测试数据进行转换，然后再进行预测？，也就是说，在使用.predict()方法之前，是否应该使用.transform()方法对测试数据进行转换？
这是我的代码：
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature
浏览 2提问于2021-07-07得票数 7
回答已采纳
3回答
使用scikit-learn，我安装了一个使用Grid搜索的分类器，如下所示：
from sklearn.svm import SVC
param_grid = {
'C': [1e-2, 0.1, 1.0],
'gamma': [1e-4, 1e-3, 1e-2],
'class_weight': ['auto']
}
clf = SVC()
gs = grid_search.GridSearchCV(clf, param_grid, cv=3, n_jobs=12)
gs.fit(x_train,
浏览 2提问于2014-11-20得票数 3
回答已采纳
假设我想使用sklearn管道应用几种特征选择方法。以下是一个例子：
from sklearn.datasets import load_breast_cancer
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.feature_selection import VarianceThreshold
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
X, y = load_
浏览 6提问于2022-07-25得票数 1
回答已采纳
我想要建立一个文本分类器与学习，然后将它转换为iOS11机器学习文件使用包。我用、和构建了三个不同的分类器，它们都在Python中工作得很好。问题在于coremltools包及其将sklearn模型转换为iOS文件的方式。正如所说，它只支持这些模型：
线性和Logistic回归
LinearSVC和LinearSVR
SVC和SVR
NuSVC和NuSVR
梯度增强分类器与回归器
决策树分类器与回归器
随机森林分类与回归
正火器
进位机
标准标尺
DictVectorizer
一个热编码器
因此，它不允许我将文本数据集向量化(我在分类器中
浏览 3提问于2017-06-08得票数 0
6回答
如何将经过训练的朴素贝叶斯分类器保存到disk，并使用它来预测数据？
我有以下来自scikit-learn网站的示例程序：
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print "Number of mislabeled points : %d" % (iris.ta
浏览 83提问于2012-05-15得票数 231
回答已采纳
1回答
Sklearn问题分类
、、、、
因此，我发现使用sklearn的SVM算法对单词进行分类有很多种方法。但是，我想按分类法对问题进行分类，如以下数据集所示：
📷
这个任务的目标是预测给定pdf文件/字符串(问题)的分类法。问题如下：
如何修改下面的代码来训练一个基于问题的分类模型？
如何利用支持向量机训练问题分类模型？
对于此任务，我使用了以下Python库
import pandas as pd
import numpy as np
from nltk.tokenize import word_tokenize, sent_tokenize
from sklearn.feature_extraction.text impor
浏览 0提问于2020-07-11得票数 -1
我是python的新手。需要了解更多关于subprocess.popen的知识。
我有一个执行另一个python脚本的脚本。下面是我的脚本将尝试执行另一个脚本的部分。
cmd = ['python %s %s %s %s %s'%(runscript, steps, part_number, serial_number, self.operation)]
p = subprocess.Popen(cmd, shell = True, stdout=subprocess.PIPE)
p.wait()
result = p.stdout.readline()
问题是，执行的脚本必须
浏览 0提问于2016-03-16得票数 0
我在机器学习方面是个新手，并且试图做一个让我忙个不停的项目，所以我对sklearn的工作原理不太了解。主要目标是训练一个模型来预测分类变量。当我尝试labelEncoding我的模型的y变量时，我得到了以下错误：
ValueError: not enough values to unpack (expected 3, got 2)
FitFailedWarning)
下面是我使用的代码
#Rough training
cols_to_use = [col for col in formatData.columns if col not in 'type1']
x = f
浏览 6提问于2020-08-08得票数 0
1回答
我想找一个与K交叉验证滑雪分类器的准确性。我可以在没有交叉验证的情况下正常地估计准确度。但是，如何改进这段代码以同时执行交叉验证和应用StandardScaler呢？
from sklearn.datasets import load_iris
from sklearn.cross_validation import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
from sklearn.cross_validation import cross_v
浏览 1提问于2017-04-06得票数 0
回答已采纳
1回答
我已经使用NLTK和svmlight python库训练了一个支持向量机分类器，当我调用pickle.dump(my_classifier, outfile, 1)保存我的分类器时，它抛出了这个错误：
File "/usr/lib/python2.7/pickle.py", line 313, in save
(t.__name__, obj))
pickle.PicklingError: Can't pickle 'PyCObject' object: <PyCObject object at 0xc1cbd50>
我读到我
浏览 4提问于2013-07-31得票数 2
我有一个分类任务，希望使用重复嵌套的交叉验证来同时执行超参数调整和特征选择。为此，我使用Python的sklearn库在RFECV上运行RandomizedSearchCV，正如this SO answer中所建议的那样。 但是，我还需要缩放我的功能，并首先计算一些缺失的值。这两个步骤也应该包括在CV框架中，以避免训练和测试文件夹之间的信息泄漏。我试图创建一个Pipeline来到达那里，但我认为它“破坏”了我的简历嵌套(即，彼此分开执行RFECV和随机搜索)： import numpy as np
from sklearn.datasets import make_classific
浏览 24提问于2021-11-08得票数 3
1回答
我正在使用多标签问题解决方案，我开始使用sklearn，它提供了非常好的开箱即用的方法来处理多个标签。我使用MultiOutputClassifier和RandomForestClassifier作为估计量。有4个类的示例：
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.multioutput import MultiOutputClassifier
# The data from your screenshot
# A B C D E F
浏览 2提问于2020-06-30得票数 0
回答已采纳
2回答
我在Python中有一个的pickle object。我想在Java中使用这个对象来进行预测。这有可能吗？正如我所见，Python pickle object可以在Java中以的方式使用，但我不确定它是否适用于机器学习模型。
编辑:我发现Pickle只是一个“序列化对象”，在Java中使用它是毫无意义的。我必须使用中的Java分类器实现，而不是使用Java中的Python对象。
浏览 4提问于2020-08-19得票数 0
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
我试图用GridSearchCV创建一个随机森林模型，但是得到了一个与param_grid相关的错误："ValueError: ValidalParametermax_features用于估值器管道。请使用`estimator.get_params().keys()检查可用参数列表“。我对文件进行分类，所以我也把tf-国防军的向量器推到管道上。以下是代码：
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classifi
浏览 3提问于2016-01-19得票数 30
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
