тестирование различных методов обучения в Scikit Learn - PullRequest
Новая
       7

тестирование различных методов обучения в Scikit Learn

0 голосов
/ 01 сентября 2018

Может ли кто-нибудь рассказать мне, как протестировать несколько различных методов машинного обучения в sklearn, как только он будет работать с svm.SVC?

У меня есть:

r = массив из 6 элементов, то есть форма ~ 10000 x 6

answer = двоичный массив NumPy (1 или 0), который я хочу научиться прогнозировать, форма ~ 1000 x 1

Я делаю перекрестную проверку: 

[datatrain, datatest, answertrain, answertest] = cross_validation.train_test_split(r,answer)

это прекрасно работает: 

clf = svm.SVC(kernel='rbf').fit(datatrain,answertrain) 
prediction = clf.predict(datatest)

Я хочу попробовать linear_model.ElasticNet и ensemble.RandomForestClassifier. (Я также открыт для предложений по методам, доступным в sklearn, поскольку я относительно новичок в машинном обучении.)

Я пытался: 

clf = linear_model.ElasticNet.fit(X=datatrain,y=answertrain)

и 

clf = ensemble.RandomForestClassifier.fit(X=datatrain,y=answertrain)

В обоих случаях я получаю ошибку: 

TypeError: fit() missing 1 required positional argument: 'self'

Что я делаю не так?

1 Ответ

0 голосов
/ 01 сентября 2018 
from sklearn.ensemble import RandomForestClassifier
clf=RandomForestClassifier()
clf.fit(X_train,y_train)
clf.predict(X_test)
...