将 RandomizedSearchCV（或 GridSearcCV）与 scikit-learn 中的 LeaveOneGroupOut 交叉验证相结合

Question

我喜欢使用 scikit 的 LOGO（留下一组）作为交叉验证方法，并结合学习曲线。这在我处理的大多数情况下都非常有效，但我只能（有效地）使用（我认为）在这些情况下（根据经验）最关键的两个参数：最大特征和估计量。下面是我的代码示例：

    Fscorer = make_scorer(f1_score, average = 'micro')
    gp = training_data["GP"].values
    logo = LeaveOneGroupOut()
    from sklearn.ensemble import RandomForestClassifier
    RF_clf100 = RandomForestClassifier (n_estimators=100, n_jobs=-1, random_state = 49)
    RF_clf200 = RandomForestClassifier (n_estimators=200, n_jobs=-1, random_state = 49)
    RF_clf300 = RandomForestClassifier (n_estimators=300, n_jobs=-1, random_state = 49)
    RF_clf400 = RandomForestClassifier (n_estimators=400, n_jobs=-1, random_state = 49)
    RF_clf500 = RandomForestClassifier (n_estimators=500, n_jobs=-1, random_state = 49)
    RF_clf600 = RandomForestClassifier (n_estimators=600, n_jobs=-1, random_state = 49)

    param_name = "max_features"
    param_range = param_range = [5, 10, 15, 20, 25, 30]


    plt.figure()
    plt.suptitle('n_estimators = 100', fontsize=14, fontweight='bold')
    _, test_scores = validation_curve(RF_clf100, X, y, cv=logo.split(X, y, groups=gp),
                                      param_name=param_name, param_range=param_range,
                                      scoring=Fscorer, n_jobs=-1)
    test_scores_mean = np.mean(test_scores, axis=1)
    plt.plot(param_range, test_scores_mean)
    plt.xlabel(param_name)
    plt.xlim(min(param_range), max(param_range))
    plt.ylabel("F1")
    plt.ylim(0.47, 0.57)
    plt.legend(loc="best")
    plt.show()


    plt.figure()
    plt.suptitle('n_estimators = 200', fontsize=14, fontweight='bold')
    _, test_scores = validation_curve(RF_clf200, X, y, cv=logo.split(X, y, groups=gp),
                                      param_name=param_name, param_range=param_range,
                                      scoring=Fscorer, n_jobs=-1)
    test_scores_mean = np.mean(test_scores, axis=1)
    plt.plot(param_range, test_scores_mean)
    plt.xlabel(param_name)
    plt.xlim(min(param_range), max(param_range))
    plt.ylabel("F1")
    plt.ylim(0.47, 0.57)
    plt.legend(loc="best")
    plt.show()
    ...
    ...

不过，我真正想要的是将 LOGO 与网格搜索或随机搜索相结合，以获得更彻底的参数 space 搜索。

截至目前，我的代码如下所示：

param_dist = {"n_estimators": [100, 200, 300, 400, 500, 600],
              "max_features": sp_randint(5, 30),
              "max_depth": sp_randint(2, 18),
              "criterion": ['entropy', 'gini'],
              "min_samples_leaf": sp_randint(2, 17)}

clf = RandomForestClassifier(random_state = 49)

n_iter_search = 45
random_search = RandomizedSearchCV(clf, param_distributions=param_dist,
                                   n_iter=n_iter_search,
                                   scoring=Fscorer, cv=8,
                                   n_jobs=-1)
random_search.fit(X, y)

当我将 cv = 8 替换为 cv=logo.split(X, y, groups=gp) 时，我收到此错误消息：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-10-0092e11ffbf4> in <module>()
---> 35 random_search.fit(X, y)


/Applications/anaconda/lib/python2.7/site-packages/sklearn/model_selection/_search.pyc in fit(self, X, y, groups)
   1183                                           self.n_iter,
   1184                                           random_state=self.random_state)
-> 1185         return self._fit(X, y, groups, sampled_params)

/Applications/anaconda/lib/python2.7/site-packages/sklearn/model_selection/_search.pyc in _fit(self, X, y, groups, parameter_iterable)
    540 
    541         X, y, groups = indexable(X, y, groups)
--> 542         n_splits = cv.get_n_splits(X, y, groups)
    543         if self.verbose > 0 and isinstance(parameter_iterable, Sized):
    544             n_candidates = len(parameter_iterable)

/Applications/anaconda/lib/python2.7/site-packages/sklearn/model_selection/_split.pyc in get_n_splits(self, X, y, groups)
   1489             Returns the number of splitting iterations in the cross-validator.
   1490         """
-> 1491         return len(self.cv)  # Both iterables and old-cv objects support len
   1492 
   1493     def split(self, X=None, y=None, groups=None):

TypeError: object of type 'generator' has no len()

关于 (1) 发生了什么，更重要的是，(2) 我如何让它工作（结合 RandomizedSearchCV 和 LeaveOneGroupOut）有什么建议吗？

* 2017 年 2 月 8 日更新*

它使用 cv=logo 和 @Vivek Kumar 的 random_search.fit(X, y, wells)

建议

Answer 1

你不应该将 logo.split() 传递给 RandomizedSearchCV，只将 cv 对象传递给它，如 logo。 RandomizedSearchCV 在内部调用 split() 来生成训练测试索引。您可以将 gp 组传递到对 RandomizedSearchCV 或 GridSearchCV 对象的 fit() 调用中。

而不是这样做：

random_search.fit(X, y)

这样做：

random_search.fit(X, y, gp)

编辑：您还可以将 gp 作为字典传递给参数 fit_params 中的 GridSearchCV 或 RandomizedSearchCV 的构造函数。

将 RandomizedSearchCV（或 GridSearcCV）与 scikit-learn 中的 LeaveOneGroupOut 交叉验证相结合

Combining RandomizedSearchCV (or GridSearcCV) with LeaveOneGroupOut cross validation in scikit-learn

python

machine-learning

scikit-learn

cross-validation

grid-search