如何在Python中使用StratifiedKFold在LogisticReturnal中进行参数调优？

我需要输入例如6个C值，并查看每个C值每10倍的平均roc_auc_分数

我迄今为止的努力：

lr=逻辑回归（C=1，
惩罚='l1'，
解算器='liblinear'，
tol=0.0001，
最大电阻=3000，
截距_比例=1.0，
multi_class='auto'，
随机状态=42）
C=[0.01,0.05,0.1,1,10,12]
最终成绩=[]
平均分={}
#分层KFold
skf=分层折叠（n_分割=10，随机状态=42，随机混合=False）
对于c中的c：
对于枚举（skf.split（X，y））中的fold（train_索引，test_索引）：
打印（“折叠：”，折叠+1）
X\u列车，X\u测试=X.iloc[列车索引]，X.iloc[测试索引]
y_列，y_测试=y.iloc[列索引]，y.iloc[测试索引]
lr.安装（X_系列、y_系列）
预测=lr.预测概率（X列车）[：，1]
最终评分。附加（roc评分（y训练，预测））
打印（“AUC分数：+str（roc_AUC_分数（y_序列，预测）））
平均分[c]=np.平均分（最终分）
打印（“--”）
打印（平均分数）

我需要一个结果字典，因为键有c值，每个c值的平均值是10倍

编辑：

roc_dict=dict（）
C=[0.01,0.05,0.1,1,10,12]
对于c中的c：
最终成绩=[]
平均分={}
对于枚举（skf.split（X，y））中的fold（train_索引，test_索引）：
打印（“折叠：”，折叠+1）
X\u列车，X\u测试=X.iloc[列车索引]，X.iloc[测试索引]
y_列，y_测试=y.iloc[列索引]，y.iloc[测试索引]
lr.安装（X_系列、y_系列）
预测=lr.预测概率（X列车）[：，1]
最终得分。追加（roc得分（y训练，预测））
打印（“AUC分数：+str（roc_AUC_分数（y_序列，预测）））
roc_dict[c]=np.平均值（最终分数）

你就快到了。您可以在循环之前定义一个空的

dict

：

roc_dict=dict（）

运行循环，但将您的

列表

和

目录

放入循环中，以便它重置每次迭代（或创建新的迭代）：

对于c中的c：
最终成绩=[]
平均分={}
#此处无更改，请粘贴原始代码
roc_dict[c]=最终成绩#加上这个

这将导致：

Out[90]：
{0.01: [0.7194940476190477,
0.7681686046511628,
0.653343023255814,
0.6596194503171249],
0.05: [0.7194940476190477,
0.7681686046511628,
0.653343023255814,
0.6596194503171249],
0.1: [0.7194940476190477,
0.7681686046511628,
0.653343023255814,
0.6596194503171249]，#…等，但改为10倍。

如何使键只保留每个C值的这10个值的平均值？只需像您那样调用

np.mean（您的\u分数）

，并将其分配给

my\u dict[number\u key]

（通用示例）我试着实现你说的，现在我得到的每个c值的分数都是一样的。我把代码添加到我的问题中。你能告诉我哪一部分我做错了吗？