python中多类SVM的GridSearchCV

我试图学习如何为分类器找到最佳参数。因此，我使用GridSearchCV来解决一个多类分类问题。生成了一个虚拟代码，我只是在n_类=3的情况下使用该代码

import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler,label_binarize
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import accuracy_score, recall_score, f1_score, roc_auc_score, make_scorer

X, y = make_classification(n_samples=3000, n_features=10, weights=[0.1, 0.9, 0.3],n_classes=3, n_clusters_per_class=1,n_informative=2)

pipe = make_pipeline(StandardScaler(), SVC(kernel='rbf', class_weight='auto'))

param_space = dict(svc__C=np.logspace(-5,0,5), svc__gamma=np.logspace(-2, 2, 10))

f1_score
my_scorer = make_scorer(f1_score, greater_is_better=True)

gscv = GridSearchCV(pipe, param_space, scoring=my_scorer)

我正试图按照这里的建议进行一次热编码。此外，有时Kaggle上会出现类似于

有毒评论分类数据集的数据集，这将为您提供二值化标签

y = label_binarize(y, classes=[0, 1, 2])
for i in classes:    
gscv.fit(X, y[i])

print gscv.best_params_

我得到：

ValueError: bad input shape (2000L, 3L)

我不知道为什么会出现这个错误。我的目标是为多类分类问题找到最佳参数。
代码的两部分中有两个问题

1） 当您没有对标签进行热编码时，让我们从第一部分开始。你看，
SVC
很好地支持多类情况。但是当与（内部）
GridSearchCV
组合时，
f1_得分

f1_score
默认情况下，在二进制分类的情况下返回肯定标签的分数，因此在您的情况下会抛出错误

或它还可以返回一个分数数组（每个类一个），但GridSearchCV只接受一个值作为分数，因为它需要该值来查找最佳分数和超参数的最佳组合。因此，您需要通过
f1\u score
中的平均方法从数组中获取单个值

根据标准，允许使用以下平均方法：

平均值：字符串，[无，'二进制'（默认值），'微'，'宏'，
'样本'，'加权']

所以，像这样改变你的make_记分员：

my_scorer = make_scorer(f1_score, greater_is_better=True, average='micro')

根据需要更改上面的
'average'
参数

2） 现在进入第二部分：当您对标签进行热编码时，
y
的形状变为二维，但仅支持文档中指定的一维数组
y
：

但是，即使您对标签进行编码并使用支持二维标签的分类器，也必须解决第一个错误。因此，我建议您不要对标签进行热编码，只需更改
f1_分数
谢谢，@Vivek Kumar我可以手动选择y（目标）来解决问题#2。然而，我认为我需要在循环中适应（X，y）和GridSearch，我不确定我是否能做到这一点。这是主要的问题。
对于类中的i:gscv.fit（X，y[i]）
像这样。这样，我将只有1-D的标签。
fit(X, y, sample_weight=None)[source]

    X : {array-like, sparse matrix}, shape (n_samples, n_features)
    y : array-like, shape (n_samples,)