Если оценка не указана, пройденный оценщик должен иметь метод «Score»

Question

Я выполняю настройку гиперпараметра и написал этот код (из этого урока - https://machinelearningmastery.com/grid-search-hyperparameters-deep-learning-models-python-keras/?unapproved=524264&moderation-hash=83f45bd57dd6c1c5e37699b257905830#comment -524264- )

from sklearn.model_selection import GridSearchCV
# fix random seed for reproducibility
seed = 7
np.random.seed(seed)

# define the grid search parameters
batch_size = [10, 20, 40, 60, 80, 100]
epochs = [10, 50, 100]
param_grid = dict(batch_size=batch_size, epochs=epochs)
grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=-1, cv=3)
grid_result = grid.fit(scaled_X, y)
# summarize results
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
    print("%f (%f) with: %r" % (mean, stdev, param))

И это ошибка, которую я получил -

TypeError                                 Traceback (most recent call last)
<ipython-input-39-3821841029c0> in <module>
     11 param_grid = dict(batch_size=batch_size, epochs=epochs)
     12 grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=-1, cv=3)
---> 13 grid_result = grid.fit(scaled_X, y)
     14 # summarize results
     15 print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\model_selection\_search.py in fit(self, X, y, groups, **fit_params)
    607 
    608         scorers, self.multimetric_ = _check_multimetric_scoring(
--> 609             self.estimator, scoring=self.scoring)
    610 
    611         if self.multimetric_:

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\metrics\scorer.py in _check_multimetric_scoring(estimator, scoring)
    340     if callable(scoring) or scoring is None or isinstance(scoring,
    341                                                           str):
--> 342         scorers = {"score": check_scoring(estimator, scoring=scoring)}
    343         return scorers, False
    344     else:

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\metrics\scorer.py in check_scoring(estimator, scoring, allow_none)
    293                 "If no scoring is specified, the estimator passed should "
    294                 "have a 'score' method. The estimator %r does not."
--> 295                 % estimator)
    296     elif isinstance(scoring, Iterable):
    297         raise ValueError("For evaluating multiple scores, use "

TypeError: If no scoring is specified, the estimator passed should have a 'score' method. The estimator <keras.engine.sequential.Sequential object at 0x0000025F8892C248> does not.

Я попробовал ответ от -

Scikit-learn TypeError: Если оценка не указана, пройденный оценщик должен иметь метод "Score"

Answer 1

Я думаю, вам нужно указать тип оценки для использования в GridSearch. Потому что GridSearch максимизирует оценку по сетке параметров. Например, для задачи классификации вы можете использовать оценку f1, точность, отзыв оценок. Если оценка отсутствует, GridSearch будет использовать метод оценки оценщика.

from sklearn.metrics import make_scorer
from sklearn.metrics import accuracy_score, precision_score, recall_score

from sklearn.model_selection import GridSearchCV
scorers = {
        'precision_score': make_scorer(precision_score),
        'recall_score': make_scorer(recall_score),
        'accuracy_score': make_scorer(accuracy_score)
        }
grid_search_cv=GridSearchCV(model,param_grid,verbose=1,cv=3,scoring=scorers,refit="precision_score")

проверить документацию параметров оценки в GridSearch

, вы можете использовать встроенные параметры оценки или определите свою собственную функцию .