Última pergunta sobre Gridsearchcv

2
Respostas

GridSearchCV e análise de erros de previsão (scikit-learn)

Gostaria de analisar manualmente os erros que meu modelo de ML (o que for) faz, comparando suas previsões com os rótulos. Do meu entendimento, isso deve ser feito em instâncias do conjunto de validação, não no conjunto de treinamento. Treinei meu modelo por meio do GridSearchCV, extraindo o best_estimator_, aquele com melhor desempenho durante a validação cruzada, em seguida, retreinei em todo o conjunto de dados.

scikit learn gridsearchcv python

0
Responda

Como posso extrair coeficientes e interceptar do modelo de pesquisa em rede?

criar um esquema de validação cruzadacriar um esquema de validação cruzada folds=KFold(n_splits=4, shuffle=True, random_state=100) folds=KFold(n_splits=4, shuffle=True, random_state=100) folds=KFold (n_splits=4, shuffle=True, random_state=100) especificar o intervalo de hiperparâmetros para ajustarespecificar o intervalo de hiperparâmetros para ajustar hyper_params=[{'n_features_to_select': list(range(1, 21))}] hyper_params=[{'n_features_to_select': list(range(1, 21))}] hyper_params=[{'n_features_to_select': list (range (1, 21))}] realizar pesquisa de graderealizar pesquisa de grade especificar modeloespecificar modelo lm=LogisticRegression() lm.fit(X_train, y_train) rfe=RFE(lm) lm=LogisticRegression() lm.fit(X_train, y_train) rfe=RFE(lm) lm=LogisticRegression () lm.fit (X_train, y_train) rfe=RFE (lm) chamar GridSearchCV ()chamar GridSearchCV () model_cv=GridSearchCV(estimator=rfe, param_grid=hyper_params, scoring='roc_auc', cv=folds, verbose=1, return_train_score=True) model_cv=GridSearchCV(estimator=rfe, param_grid=hyper_params, scoring='roc_auc', cv=folds, verbose=1, return_train_score=True) model_cv=GridSearchCV (estimador=rfe, param_grid=hyper_params, pontuação='roc_auc', cv=dobras, verbose=1, return_train_score=True) ajustar o modeloajustar o modelo model_cv.fit(X_train, y_train) model_cv.fit(X_train, y_train) model_cv.fit (X_train, y_train)

coefficients logistic regression python extract gridsearchcv

0
Responda

Treine GridSearchCV em sua própria métrica

Métrica:Métrica: def my_score_func(y_true, y_pred): global weights return weights[(y_pred==1) & (y_true==1) & (weights>=0)].sum() my_scorer=make_scorer(my_score_func, greater_is_better=True) def my_score_func(y_true, y_pred): global weights return weights[(y_pred==1) & (y_true==1) & (weights>=0)].sum() my_scorer=make_scorer(my_score_func, greater_is_better=True) def my_score_func (y_true, y_pred): pesos globais retornar pesos[(y_pred==1) & (y_true==1) & (pesos>=0)]. sum () my_scorer=make_scorer (my_score_func, maior_is_better=True) Dados:Dados: x=np.random.randint(0,2,size=(1000, 5)) y=np.random.randint(0,2,size=(1000, 1)) weights=np.random.randint(-100,100,size=(1000, 1)) x=np.random.randint(0,2,size=(1000, 5)) y=np.random.randint(0,2,size=(1000, 1)) weights=np.random.randint(-100,100,size=(1000, 1)) x=np.random.randint (0,2, tamanho=(1000, 5)) y=np.random.randint (0,2, tamanho=(1000, 1)) pesos=np.random.randint (-100,100, tamanho=(1000, 1)) GridSearchCVGridSearchCV XGB=xgboost.XGBClassifier() param_grid={'n_estimators': [20,30,50,80,100]} XGBgs=GridSearchCV(XGB, param_grid, scoring=my_scorer, cv=2) XGBgs.fit(x, y) XGB=xgboost.XGBClassifier() param_grid={'n_estimators': [20,30,50,80,100]} XGBgs=GridSearchCV(XGB, param_grid, scoring=my_scorer, cv=2) XGBgs.fit(x, y) XGB=xgboost.XGBClassifier () param_grid={'n_estimators':[20,30,50,80,100]} XGBgs=GridSearchCV (XGB, param_grid, scoring=my_scorer, cv=2) XGBgs.fit (x, y) ErroErro ValueError: operandos não podiam ser transmitidos junto com formas (501.501) (1000,1)

metrics python scoring gridsearchcv xgboost

1
Responda

O que posso fazer para mudar ponto em vírgula?

Bom dia! Sou novo em python, uso o Spyder 4.0 para construir redes neurais. No script abaixo eu uso a floresta aleatória para fazer importâncias de recursos. Portanto os valores importances são os que me dizem qual é a importância de cada recurso. Infelizmente, não posso fazer upload do conjunto de dados, mas posso dizer que existem 18 recursos e 1 rótulo, ambos são quantidades físicas e é um problema de regressão. Quero exportar em um arquivo excel a variável importances, mas quando faço isso (simplesmente coopando o vetor) os números estão com o ponto (por exemplo, 0,012, 0,015, ..... ect). Para usá-lo no arquivo excel prefiro ter a vírgula em vez do ponto. Tento usar o .replace('.',',') mas não funciona, o erro é:

machine learning spyder gridsearchcv python neural network

Etiquetas quentes

© 2021   OlaMundo.Org