类型错误网格搜索
TypeError grid search
我曾经创建循环来为我的模型寻找最佳参数，这增加了我在编码中的错误，所以我决定使用 GridSearchCV。
我正在尝试为我的模型找出 PCA 的最佳参数（我想要网格搜索的唯一参数）。
在这个模型中，归一化后我想将原始特征与 PCA 减少的特征结合起来，然后应用线性 SVM。
然后我保存整个模型来预测我的输入。
我在尝试拟合数据的行中出现错误，因此我可以使用 best_estimator_ 和 best_params_ 函数。
错误说：TypeError: The score function should be a callable, all (<type 'str'>) was passed. 我没有使用任何可能需要在 GridSearchCV 中提供字符串的参数，所以不确定为什么会出现此错误
我还想知道 print("shape after model",X.shape) 行在保存我的模型之前是否应该根据所有可能的参数打印 (150, 7) and (150, 5) 两者？
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import StandardScaler
from sklearn.externals import joblib
from numpy import array
iris = load_iris()
X, y = iris.data, iris.target
print(X.shape) #prints (150, 4)
print (y)
#cretae models and piplline them
combined_features = FeatureUnion([("pca", PCA()), ("univ_select", SelectKBest(k='all'))])
svm = SVC(kernel="linear")
pipeline = Pipeline([("scale", StandardScaler()),("features", combined_features), ("svm", svm)])
# Do grid search over n_components:
param_grid = dict(features__pca__n_components=[1,3])
grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=5, verbose=10)
grid_search.fit(X, y)
print("best parameters", grid_search.best_params_)
print("shape after model",X.shape) #should this print (150, 7) or (150, 5) based on best parameter?
#save the model
joblib.dump(grid_search.best_estimator_, 'model.pkl', compress = 1)
#new data to predict
Input=[ 2.9 , 4. ,1.2 ,0.2]
Input= array(Input)
#use the saved model to predict the new data
modeltrain="model.pkl"
modeltrain_saved = joblib.load(modeltrain)
model_predictions = modeltrain_saved.predict(Input.reshape(1, -1))
print(model_predictions)
我根据答案更新了代码
您正在提供 'all' 作为 SelectKBest 中的参数。但是根据documentation，如果要传'all'，需要指定为：
SelectKBest(k='all')
原因是它是关键字参数，应该用关键字指定。因为 SelectKBest 的第一个参数是评分函数的位置参数。因此，当您未指定 param 时，'all' 被视为函数的输入，因此会出现错误。
更新：
现在关于造型，原来的X就不改了。所以它会打印 (150,4)。数据将即时更改，在我的电脑上 best_param_ 是 n_components=1，因此进入 svm 的最终形状是 (150, 5)，1 个来自 PCA，4 个来自 SelectKBest。
我曾经创建循环来为我的模型寻找最佳参数，这增加了我在编码中的错误，所以我决定使用 GridSearchCV。
我正在尝试为我的模型找出 PCA 的最佳参数（我想要网格搜索的唯一参数）。
在这个模型中，归一化后我想将原始特征与 PCA 减少的特征结合起来，然后应用线性 SVM。
然后我保存整个模型来预测我的输入。
我在尝试拟合数据的行中出现错误，因此我可以使用 best_estimator_ 和 best_params_ 函数。
错误说：TypeError: The score function should be a callable, all (<type 'str'>) was passed. 我没有使用任何可能需要在 GridSearchCV 中提供字符串的参数，所以不确定为什么会出现此错误
我还想知道 print("shape after model",X.shape) 行在保存我的模型之前是否应该根据所有可能的参数打印 (150, 7) and (150, 5) 两者？
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import StandardScaler
from sklearn.externals import joblib
from numpy import array
iris = load_iris()
X, y = iris.data, iris.target
print(X.shape) #prints (150, 4)
print (y)
#cretae models and piplline them
combined_features = FeatureUnion([("pca", PCA()), ("univ_select", SelectKBest(k='all'))])
svm = SVC(kernel="linear")
pipeline = Pipeline([("scale", StandardScaler()),("features", combined_features), ("svm", svm)])
# Do grid search over n_components:
param_grid = dict(features__pca__n_components=[1,3])
grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=5, verbose=10)
grid_search.fit(X, y)
print("best parameters", grid_search.best_params_)
print("shape after model",X.shape) #should this print (150, 7) or (150, 5) based on best parameter?
#save the model
joblib.dump(grid_search.best_estimator_, 'model.pkl', compress = 1)
#new data to predict
Input=[ 2.9 , 4. ,1.2 ,0.2]
Input= array(Input)
#use the saved model to predict the new data
modeltrain="model.pkl"
modeltrain_saved = joblib.load(modeltrain)
model_predictions = modeltrain_saved.predict(Input.reshape(1, -1))
print(model_predictions)
我根据答案更新了代码
您正在提供 'all' 作为 SelectKBest 中的参数。但是根据documentation，如果要传'all'，需要指定为：
SelectKBest(k='all')
原因是它是关键字参数，应该用关键字指定。因为 SelectKBest 的第一个参数是评分函数的位置参数。因此，当您未指定 param 时，'all' 被视为函数的输入，因此会出现错误。
更新：
现在关于造型，原来的X就不改了。所以它会打印 (150,4)。数据将即时更改，在我的电脑上 best_param_ 是 n_components=1，因此进入 svm 的最终形状是 (150, 5)，1 个来自 PCA，4 个来自 SelectKBest。