Python 将GridSearchCV与AdaBoost和DecisionTreeClassifier一起使用

我试图使用DecisionTreeClassifier（“DTC”）作为基本估计量来调整AdaBoost分类器（“ABT”）。我想同时调整ABT和DTC参数，但不确定如何做到这一点-管道不应该工作，因为我没有将DTC的输出“管道化”到ABT。想法是在GridSearchCV估计器中迭代ABT和DTC的超参数

如何正确指定调整参数

我尝试了以下操作，在下面生成了一个错误

[IN]
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.grid_search import GridSearchCV

param_grid = {dtc__criterion : ["gini", "entropy"],
              dtc__splitter :   ["best", "random"],
              abc__n_estimators: [none, 1, 2]
             }


DTC = DecisionTreeClassifier(random_state = 11, max_features = "auto", class_weight = "auto",max_depth = None)

ABC = AdaBoostClassifier(base_estimator = DTC)

# run grid search
grid_search_ABC = GridSearchCV(ABC, param_grid=param_grid, scoring = 'roc_auc')

[OUT]
ValueError: Invalid parameter dtc for estimator AdaBoostClassifier(algorithm='SAMME.R',
      base_estimator=DecisionTreeClassifier(class_weight='auto', criterion='gini', max_depth=None,
        max_features='auto', max_leaf_nodes=None, min_samples_leaf=1,
        min_samples_split=2, min_weight_fraction_leaf=0.0,
        random_state=11, splitter='best'),
      learning_rate=1.0, n_estimators=50, random_state=11)

---

您发布的代码中有几处错误：

参数网格

字典的键必须是字符串。您应该得到一个

名称错误

关键的“abc\u n\u估计器”应该是“n\u估计器”：您可能将其与管道语法混合在一起。这里没有任何东西告诉Python字符串“abc”表示您的

AdaBoostClassifier

None

（而不是

None

）不是

n\u估计值的有效值。默认值（可能是您的意思）是50

下面是这些修复的代码。 要设置树估计器的参数，可以使用允许访问嵌套参数的“_u”语法

from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.grid_search import GridSearchCV

param_grid = {"base_estimator__criterion" : ["gini", "entropy"],
              "base_estimator__splitter" :   ["best", "random"],
              "n_estimators": [1, 2]
             }


DTC = DecisionTreeClassifier(random_state = 11, max_features = "auto", class_weight = "auto",max_depth = None)

ABC = AdaBoostClassifier(base_estimator = DTC)

# run grid search
grid_search_ABC = GridSearchCV(ABC, param_grid=param_grid, scoring = 'roc_auc')

此外，1或2个估计器对AdaBoost也没有实际意义。但我猜这不是您正在运行的实际代码

---

希望这能有所帮助。

尝试提供一个简短（希望是通用）的答案。

---

如果您想在

BaseEstimator

中对

AdaBoostClassifier

进行网格搜索，例如改变

DecisionTreeClassifier

估计器的

max\u depth

或

min\u sample\u leaf

，则必须在参数网格中使用特殊语法

abc = AdaBoostClassifier(base_estimator=DecisionTreeClassifier())

parameters = {'base_estimator__max_depth':[i for i in range(2,11,2)],
              'base_estimator__min_samples_leaf':[5,10],
              'n_estimators':[10,50,250,1000],
              'learning_rate':[0.01,0.1]}

clf = GridSearchCV(abc, parameters,verbose=3,scoring='f1',n_jobs=-1)
clf.fit(X_train,y_train)

---

因此，请注意

参数词典中的
基本估计量\uuu最大深度'
和
基本估计量\uu最小样本\u叶'键。这是在进行网格搜索时访问集成算法（如
AdaBoostClassifier
）的BaseEstimator超参数的方法。请特别注意双下划线符号。
参数中的其他两个键是常规的
AdaBoostClassifier
参数。
第1点。三,。都是抄写错误，我的错！我将尝试您关于语法指定param_grid的建议，并向您报告。但是如果我理解正确，我可以在多个上下文中使用“_u”表达式？我理解您关于估计器数量的观点，我首先编写了此代码，看看它是否有效……不久之后。@GPB“\uuuuuu”语法还用于为管道中的对象（可能是嵌套的）指定参数。@ldier您能解释一下您的代码是如何调整AdaBoost的参数的吗？我们不需要用AdaBoost分类器的参数网格进行第二次网格搜索吗？
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.grid_search import GridSearchCV

param_grid = {"base_estimator__criterion" : ["gini", "entropy"],
              "base_estimator__splitter" :   ["best", "random"],
              "n_estimators": [1, 2]
             }


DTC = DecisionTreeClassifier(random_state = 11, max_features = "auto", class_weight = "auto",max_depth = None)

ABC = AdaBoostClassifier(base_estimator = DTC)

# run grid search
grid_search_ABC = GridSearchCV(ABC, param_grid=param_grid, scoring = 'roc_auc')