Python 管道网格搜索CV参数网格说明
这是什么意思?Python 管道网格搜索CV参数网格说明,python,scikit-learn,pipeline,Python,Scikit Learn,Pipeline,这是什么意思?'feature\u selection\u\k':列表(范围(1,len(feature\u importances)+1))编码: param_grid = [{ 'preparation__num__imputer__strategy': ['mean', 'median', 'most_frequent'], 'feature_selection__k': list(range(1, len(feature_importances) + 1)) }] gr
'feature\u selection\u\k':列表(范围(1,len(feature\u importances)+1))
编码:
param_grid = [{
'preparation__num__imputer__strategy': ['mean', 'median', 'most_frequent'],
'feature_selection__k': list(range(1, len(feature_importances) + 1))
}]
grid_search_prep = GridSearchCV(prepare_select_and_predict_pipeline, param_grid, cv=5,
scoring='neg_mean_squared_error', verbose=2)
grid_search_prep.fit(housing, housing_labels)
在哪里
及
请您解释一下“功能选择”一行中的每一步:列表(范围(1,len(功能重要性)+1))
如果需要所有代码,请在此处:。我要问的代码部分在笔记本的底部。
列表(范围(1,len(feature\u importances)+1))
返回从1到n的整数列表,其中n是feature\u importances的长度
例如,如果特征重要性的长度为5
list(range(1, len(feature_importances) + 1))
将返回:
[1, 2, 3, 4, 5]
您需要添加“+1”,因为范围不包括上限 因为这里不适用于简单的估计器,而是适用于管道:
prepare_select_and_predict_pipeline = Pipeline([
('preparation', full_pipeline),
('feature_selection', TopFeatureSelector(feature_importances, k)),
('svm_reg', SVR(**rnd_search.best_params_))
])
在哪里
及
param_网格
需要组织成“级别”,以便它知道将访问的组成管道组件的确切参数
因此,在这里,字符串的feature\u selection
部分指的是prepare\u select\u和
的相应部分,而k
指的是TopFeatureSelector
的相应参数。级别之间用双下划线分隔,因此要访问TopFeatureSelector
的参数k
,相应的参数定义为feature\u selection\uk
出于同样的原因,为了让参数网格
访问SimpleComputer
的策略
参数,相应的条目是“准备数量输入策略”
,即:
- 第一级管道的
准备
部分prepare\u select\u和\u predict\u管道
- 第二级
完整管道的num
部分
- 第三级
num_管道
SimpleComputer
如前所述,每个条目由一个双下划线分隔\uuuu
什么是功能选择部分?它只是一个任意字符串吗?它是一个允许从1到nGreat搜索的列表。非常感谢。
[1, 2, 3, 4, 5]
prepare_select_and_predict_pipeline = Pipeline([
('preparation', full_pipeline),
('feature_selection', TopFeatureSelector(feature_importances, k)),
('svm_reg', SVR(**rnd_search.best_params_))
])
full_pipeline = ColumnTransformer([
("num", num_pipeline, num_attribs),
("cat", OneHotEncoder(), cat_attribs),
])
num_pipeline = Pipeline([
('imputer', SimpleImputer(strategy="median")),
('attribs_adder', CombinedAttributesAdder()),
('std_scaler', StandardScaler()),
])