python – 如何在sklearn中使用GridSearchCV和自定义估算器？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 如何在sklearn中使用GridSearchCV和自定义估算器？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2280字，纯文字阅读大概需要4分钟。

内容图文

我有一个估计应该与sklearn api兼容.我试图用gridsearchcv拟合这个估计器的一个参数,但我不明白该怎么做.

这是我的代码：

import numpy as np
import sklearn as sk

from sklearn.linear_model import LinearRegression, LassoLarsCV, RidgeCV
from sklearn.linear_model.base import LinearClassifierMixin, SparseCoefMixin, BaseEstimator


class ELM(BaseEstimator):

    def __init__(self, n_nodes, link='rbf', output_function='lasso', n_jobs=1, c=1):
        self.n_jobs = n_jobs
        self.n_nodes = n_nodes
        self.c = c

        if link == 'rbf':
            self.link = lambda z: np.exp(-z*z)
        elif link == 'sig':
            self.link = lambda z: 1./(1 + np.exp(-z)) 
        elif link == 'id':
            self.link = lambda z: z
        else:
            self.link = link

        if output_function == 'lasso':
            self.output_function = LassoLarsCV(cv=10, n_jobs=self.n_jobs)
        elif output_function == 'lr':
            self.output_function = LinearRegression(n_jobs=self.n_jobs)

        elif output_function == 'ridge':
            self.output_function = RidgeCV(cv=10)

        else:
            self.output_function = output_function

        return 


    def H(self, x):

        n, p = x.shape
        xw = np.dot(x, self.w.T)
        xw = xw + np.ones((n, 1)).dot(self.b.T)
        return self.link(xw)

    def fit(self, x, y, w=None):

        n, p = x.shape
        self.mean_y = y.mean()
        if w == None:
            self.w = np.random.uniform(-self.c, self.c, (self.n_nodes, p))
        else:
            self.w = w

        self.b = np.random.uniform(-self.c, self.c, (self.n_nodes, 1))
        self.h_train = self.H(x)
        self.output_function.fit(self.h_train, y)

        return self

    def predict(self, x):
        self.h_predict = self.H(x)
        return self.output_function.predict(self.h_predict)

    def get_params(self, deep=True):
        return {"n_nodes": self.n_nodes, 
                "link": self.link,
                "output_function": self.output_function,
                "n_jobs": self.n_jobs, 
                "c": self.c}

    def set_params(self, **parameters):
        for parameter, value in parameters.items():
            setattr(self, parameter, value)



### Fit the c parameter ### 
X = np.random.normal(0, 1, (100,5))
y = X[:,1] * X[:,2] + np.random.normal(0, .1, 100) 

gs = sk.grid_search.GridSearchCV(ELM(n_nodes=20, output_function='lr'), 
                                 cv=5, 
                                 param_grid={"c":np.linspace(0.0001,1,10)},
                                 fit_params={})

#gs.fit(X, y) # Error

解决方法:

您的代码中有2个问题：

>您没有为GridSearchCV指定评分参数.你似乎在做回归,所以mean_squared_error是一个选项.
>您的set_params不会返回对象本身的引用.你应该在for循环后添加return self.

正如Andreas已经提到的,你很少需要在scikit-learn中重新定义set_params和get_params.只是从BaseEstimator继承就足够了.

内容总结

以上是互联网集市为您收集整理的python – 如何在sklearn中使用GridSearchCV和自定义估算器？全部内容，希望文章能够帮你解决python – 如何在sklearn中使用GridSearchCV和自定义估算器？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端