非常好的问题。如何将自定义的Pipline对象应用于sklearn内置的网格搜索确实是课程没有讲的一个sklearn使用上的语法细节：)
首先，你在31行的注释分析的是正确的。由于此时，你在构建grid_search的时候，传入的算法是log_reg。而log_reg是LogisticRegression的对象，但是创建LogisticRegression是并不需要参数degree，所以，这里会报错。
正确的做法是，我们要对你创建的PolynomialLogisticRegression这个函数返回的对象进行网格搜索。这个函数的逻辑是返回了一个Pipeline的对象，这个Pipeline的对象中创建PolynomialFeatures时使用了degree这个参数。
为了方便起见，在这里，我为这个PolynomialLogisticRegression添加上了默认值。def PolynomialLogisticRegression(degree = 1, C = 0.1):
return Pipeline([
(‘poly’, PolynomialFeatures(degree=degree)),
(‘std_scaler’, StandardScaler()),
(‘log_reg’, LogisticRegression(C=C))
])
poly_log_reg = PolynomialLogisticRegression()
我们需要针对poly_log_reg这个对象进行网格搜索：)
但是，在这里，poly_log_reg中包含三部分，每部分都有自己的参数。按照你写的param_grid，参数名称直接写degree和C，GridSearchCV是无法认得这些参数名隶属于哪一部分的。所以，在这种情况下，我们在设置param_grid的时候，参数名要显示地表明这个参数属于哪个部分。表示的方法是：{$Pipeline中的对象名称}__{$参数名}
即，在Pipeline中的对象名称，加上双下换线(__)，再加上参数名称。
所以，我们在网格搜索中，要搜索的两个参数名称应该是：poly__degree
log_reg__C
其中的poly和log_reg，是你在实例化这个Pipeline对象的时候，给每一部分起的那个名称。
综上，此时我们的param_grid，要这样声明：C_PARM = [0.1,0.2,0.3,0.4,0.5]
param_grid = [
{
‘poly__degree’: [i for i in range(1, 11)],
‘log_reg__C’: [i for i in C_PARM]
}
]
现在，就可以按照以前一样的方法使用GridSearchCV啦：)grid_search = GridSearchCV(poly_log_reg, param_grid)
grid_search.fit(X_train,y_train)
整理一遍，我们的整个代码就是这样的：def PolynomialLogisticRegression(degree = 1,C = 0.1):
return Pipeline([
(‘poly’, PolynomialFeatures(degree=degree)),
(‘std_scaler’, StandardScaler()),
(‘log_reg’, LogisticRegression(C=C))
])
# 待进行网格搜索的算法
poly_log_reg = PolynomialLogisticRegression()
# 准备待搜索的参数列表
C_PARM = [0.1,0.2,0.3,0.4,0.5]
param_grid = [
{
‘poly__degree’: [i for i in range(1, 11)],
‘log_reg__C’: [i for i in C_PARM]
}
]
# 实例化GridSearchCV进行网格搜索
grid_search = GridSearchCV(poly_log_reg, param_grid)
grid_search.fit(X_train,y_train)
看起来写了很多，但是自己整理一遍，会发现其实这个语法非常简单：)
加油！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/178767.html原文链接：https://javaforall.net
