如何对 SVC 进行超参数调整？

Question

我正在尝试对我的模型执行超参数调整，但此错误一直显示

error :  Invalid parameter svc_c for estimator SVC(). Check the list of available parameters with `estimator.get_params().keys()

我正在使用以下代码：

param_grid = {'svc_c': [5, 10, 100], 
              'svc_gamma': [1,0.1,0.01,0.001],
              'svc_dgree': [1,2,3,4,5,6],
              'svc_kernel': ['rbf']}
grid = GridSearchCV(SVC(),param_grid,refit=True,verbose=3)
grid.fit(x_train_poly,y_train)

Answer 1

您需要为词典 param_grid 使用正确的键。 kernel 、C 、gamma 、degree 和...（参见 doc）

试试这个：

param_grid = {'kernel': ('linear', 'rbf','poly') , 
              'C':[5, 10, 100],
              'gamma': [1,0.1,0.01,0.001], 
              'degree' : [1,2,3,4,5,6]}

grid = GridSearchCV(SVC() , param_grid , refit=True , verbose=3)
grid.fit(x_train_poly,y_train)

Answer 2

如错误消息所述，您正在为每个超参数设置无效的参数名称。在此中，展示了一种显示给定估计器的可用超参数列表的方法。然后，我建议您将代码更改为：

param_grid = {'C': [5, 10, 100], 
              'gamma': [1,0.1,0.01,0.001],
              'degree': [1,2,3,4,5,6],
              'kernel': ['rbf']}

请检查那些超参数是否真的包含在列表中 estimator.get_params().keys() returns.

如何对 SVC 进行超参数调整？

How to perform hyper-paramter tunning for SVC?

python

machine-learning

svc

scikit-learn

hyperparameters