#scikit-learn #cross-validation #valueerror
#scikit-learn #перекрестная проверка #ошибка значения
Вопрос:
Я пытался реализовать простую эластичную сетевую регрессию на python, используя cross_val_score()
функцию и вложенную перекрестную проверку, но она не позволит мне передать мои параметры. Он продолжает указывать ValueError из недопустимого параметра для моего l1_ratio, который я не понимаю, почему, учитывая, что он находится между 0 и 1.
ValueError: Invalid parameter l1_ratio for estimator Pipeline(steps=[('preprocessor',
ColumnTransformer(remainder='passthrough',
transformers=[('cat', OneHotEncoder(), [0]),
('num', StandardScaler(),
slice(1, 37, None))])),
('model', ElasticNet(random_state=42))]).
Check the list of available parameters with `estimator.get_params().keys()`.
Мой код:
cv_outer=KFold(10, shuffle=True)
cv_inner=KFold(10, shuffle=True)
models_params = {
'en': (LREN(random_state=42), # Elastic Net
{'l1_ratio': [0,0.25,0.5,0.75,1]
,'alpha':[1e-2,1e-1,1,1e1]})
# My first column is Categorical, the other 36 are numerical
preprocessor = ColumnTransformer(
transformers=[
('cat', OneHotEncoder(), [0])
,('num', StandardScaler(), slice(1,37))
]
,remainder = 'passthrough')
# Store Results
average_scores = dict()
for name, (model, params) in models_params.items():
mymodel = Pipeline(steps = [('preprocessor', preprocessor),
('model', model)
])
# this object is a regressor that also happens to choose
# its hyperparameters automatically using `inner_cv`
optimize_hparams = GridSearchCV(
estimator = mymodel, param_grid=params, n_jobs = -1,
cv=cv_inner, scoring='neg_mean_absolute_error')
# estimate generalization error on the outer-fold splits of the data
outer_folds_scores = cross_val_score(
optimize_hparams,
X, y, cv=cv_outer, scoring='neg_mean_absolute_error')
Ответ №1:
Вы могли бы попробовать определить свою сетку, например:
models_params = {
{'model__l1_ratio': [0,0.25,0.5,0.75,1],
'model__alpha':[1e-2,1e-1,1,1e1]}
}
Комментарии:
1. ах да, я помню, что мне нужно было сделать это в другом месте для других моделей. Небольшое разочарование.
2. Да, вам нужно это сделать, когда у вас много шагов в вашем конвейере