NotFittedError: This DecisionTreeClassifier instance is not fitted yet

Question

我是 ML 新手，正在尝试 运行 基于决策树的模型

我尝试了以下

X = df[['Quantity']]
y = df[['label']]
params = {'max_depth':[2,3,4], 'min_samples_split':[2,3,5,10]}
clf_dt = DecisionTreeClassifier()
clf = GridSearchCV(clf_dt, param_grid=params, scoring='f1')
clf.fit(X, y)
clf_dt = DecisionTreeClassifier(clf.best_params_)

并收到此处提到的警告

FutureWarning: Pass criterion={'max_depth': 2, 'min_samples_split': 2} as keyword args. From version 1.0 (renaming of 0.25) passing these as positional arguments will result in an error
  warnings.warn(f"Pass {args_msg} as keyword args. From version "

后来，我尝试了 运行ning 下面的方法并得到了一个错误（但我已经使用 .fit() 拟合了模型）

from sklearn import tree
tree.plot_tree(clf_dt, filled=True, feature_names = list(X.columns), class_names=['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'])

NotFittedError: This DecisionTreeClassifier instance is not fitted yet. Call 
'fit' with appropriate arguments before using this estimator.

可以帮我解决这个问题吗？

Answer 1

如果您选择 best_params_，则必须使用这些参数重新拟合模型。请注意，这些应该在传递给模型时解包：

clf_dt = DecisionTreeClassifier(**clf.best_params_)
clf_dt.fit(X, y)

但是，您也可以使用 best_estimator_ 属性直接访问最佳模型：

clf_dt = clf.best_estimator_

Answer 2

所以你面临两个问题。

首先

参考

FutureWarning: Pass criterion={'max_depth': 2, 'min_samples_split': 2} as keyword args. From version 1.0 (renaming of 0.25) passing these as positional arguments will result in an error

您可以在创建 params:

时尝试使用 dict class 构造函数

params = dict(max_depth=[2,3,4], min_samples_split=[2,3,5,10])

但是这个警告看起来很奇怪，我并没有出现。

其次

参考

NotFittedError: This DecisionTreeClassifier instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.

你可以了解 sklearn 中的 强制拟合步骤。但正如您所说，您只是在第一个代码示例中这样做了。你的问题是使用

clf_dt = DecisionTreeClassifier(clf.best_params_)

您创建了一个新的 DecisionTreeClassifier class，因此在您调用

时不适合

tree.plot_tree(clf_dt ...)

当你打电话时

clf = GridSearchCV(clf_dt, param_grid=params, scoring='f1')

sklearn 会根据您的情况自动将最佳估算器分配给 clf。所以只需使用这个变量:) 以下步骤 clf_dt = DecisionTreeClassifier(clf.best_params_) 不是必需的。