Внутреннее масштабирование тренировочных данных во время CV с использованием GridSearchCV для оптимизации гиперпараметров - PullRequest
Новая
       29

Внутреннее масштабирование тренировочных данных во время CV с использованием GridSearchCV для оптимизации гиперпараметров

0 голосов
/ 14 февраля 2019

Я пытаюсь выполнить оптимизацию гиперпараматора SVM с помощью GridSearchCV.Предположим, я снабжаю эту функцию данными и метками обучающего набора (разделение теста уже изолировано перед вызовом функции). 

def param_search(X, y):
    Cs = 10. ** np.arange(-3, 4)
    gammas = 10. ** np.arange(-3, 3)

    rbf_grid = {'clf__C':Cs, 'clf__gamma':gammas, 'clf__kernel':['rbf'],
        'clf__class_weight':['balanced']}
    lin_grid = {'clf__C':Cs, 'clf__kernel':['linear'], 
        'clf__class_weight':['balanced']}

    pipe = Pipeline([('scaler', StandardScaler()), ('clf', svm.SVC())])

    grid_search = GridSearchCV(pipe, param_grid=[rbf_grid, lin_grid],
        cv=StratifiedKFold(n_splits=5, shuffle=True), verbose=2, n_jobs=-1)
    grid_search.fit(X,y)
    return grid_search.best_params_

Я хочу, чтобы GridSearchCV оценивал каждое разделение резюме с данными, масштабированными по обучению, рассчитанному для этого конкретногоТрещина.Функция StandardScaler () в настоящее время вызывается 5 раз для каждого набора параметров (что я и хочу)?Или только один раз при первом вызове GridSearchCV.

1 Ответ

0 голосов
/ 15 февраля 2019

Краткий ответ: да, он соответствует Standard Scaler 5 раз для каждого набора параметров.По сути, весь конвейер устанавливается один раз за разделение и выбор параметров, а затем оценивается.

...