非常好的問(wèn)題。如何將自定義的Pipline對(duì)象應(yīng)用于sklearn內(nèi)置的網(wǎng)格搜索確實(shí)是課程沒(méi)有講的一個(gè)sklearn使用上的語(yǔ)法細(xì)節(jié)：)

首先，你在31行的注釋分析的是正確的。由于此時(shí)，你在構(gòu)建grid_search的時(shí)候，傳入的算法是log_reg。而log_reg是LogisticRegression的對(duì)象，但是創(chuàng)建LogisticRegression是并不需要參數(shù)degree，所以，這里會(huì)報(bào)錯(cuò)。

正確的做法是，我們要對(duì)你創(chuàng)建的PolynomialLogisticRegression這個(gè)函數(shù)返回的對(duì)象進(jìn)行網(wǎng)格搜索。這個(gè)函數(shù)的邏輯是返回了一個(gè)Pipeline的對(duì)象，這個(gè)Pipeline的對(duì)象中創(chuàng)建PolynomialFeatures時(shí)使用了degree這個(gè)參數(shù)。

為了方便起見(jiàn)，在這里，我為這個(gè)PolynomialLogisticRegression添加上了默認(rèn)值。def?PolynomialLogisticRegression(degree?=?1,?C?=?0.1):

return?Pipeline([

('poly',?PolynomialFeatures(degree=degree)),

('std_scaler',?StandardScaler()),

('log_reg',?LogisticRegression(C=C))

])

poly_log_reg?=?PolynomialLogisticRegression()

我們需要針對(duì)poly_log_reg這個(gè)對(duì)象進(jìn)行網(wǎng)格搜索：)

但是，在這里，poly_log_reg中包含三部分，每部分都有自己的參數(shù)。按照你寫(xiě)的param_grid，參數(shù)名稱(chēng)直接寫(xiě)degree和C，GridSearchCV是無(wú)法認(rèn)得這些參數(shù)名隸屬于哪一部分的。所以，在這種情況下，我們?cè)谠O(shè)置param_grid的時(shí)候，參數(shù)名要顯示地表明這個(gè)參數(shù)屬于哪個(gè)部分。表示的方法是：{$Pipeline中的對(duì)象名稱(chēng)}__{$參數(shù)名}

即，在Pipeline中的對(duì)象名稱(chēng)，加上雙下?lián)Q線(__)，再加上參數(shù)名稱(chēng)。

所以，我們?cè)诰W(wǎng)格搜索中，要搜索的兩個(gè)參數(shù)名稱(chēng)應(yīng)該是：poly__degree

log_reg__C

其中的poly和log_reg，是你在實(shí)例化這個(gè)Pipeline對(duì)象的時(shí)候，給每一部分起的那個(gè)名稱(chēng)。

綜上，此時(shí)我們的param_grid，要這樣聲明：C_PARM?=?[0.1,0.2,0.3,0.4,0.5]

param_grid?=?[

{

'poly__degree':?[i?for?i?in?range(1,?11)],

'log_reg__C':?[i?for?i?in?C_PARM]

}

]

現(xiàn)在，就可以按照以前一樣的方法使用GridSearchCV啦：)grid_search?=?GridSearchCV(poly_log_reg,?param_grid)

grid_search.fit(X_train,y_train)

整理一遍，我們的整個(gè)代碼就是這樣的：def?PolynomialLogisticRegression(degree?=?1,C?=?0.1):

return?Pipeline([

('poly',?PolynomialFeatures(degree=degree)),

('std_scaler',?StandardScaler()),

('log_reg',?LogisticRegression(C=C))

])

#?待進(jìn)行網(wǎng)格搜索的算法

poly_log_reg?=?PolynomialLogisticRegression()

#?準(zhǔn)備待搜索的參數(shù)列表

C_PARM?=?[0.1,0.2,0.3,0.4,0.5]

param_grid?=?[

{

'poly__degree':?[i?for?i?in?range(1,?11)],

'log_reg__C':?[i?for?i?in?C_PARM]

}

]

#?實(shí)例化GridSearchCV進(jìn)行網(wǎng)格搜索

grid_search?=?GridSearchCV(poly_log_reg,?param_grid)

grid_search.fit(X_train,y_train)

看起來(lái)寫(xiě)了很多，但是自己整理一遍，會(huì)發(fā)現(xiàn)其實(shí)這個(gè)語(yǔ)法非常簡(jiǎn)單：)

加油！

總結(jié)

以上是生活随笔為你收集整理的c语言网格搜索,使用逻辑回归时怎么利用网格搜索来查找degree,c等超参数的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。