我的问题是我生成了一个函数来存储每个分类器中每个逐步模型的10倍交叉验证分数。例如,对于Naive Bayes,我有两个模型,一个只使用一个变量,而另一个使用两个。类似于决策树模型。该功能类似于
def crossV(clf):
cvOutcome=pd.DataFrame()
index=pd.DataFrame()
classifier=pd.DataFrame()
for i in range(4)[2:]:
tt=array(tuple(x[1:i] for x in modelDataFullnew))
qq=array(tuple(x[0] for x in modelDataFullnew))
scores=cross_validation.cross_val_score(clf, tt, qq, cv=10)*100
index_i=list(np.repeat(i-1,10))
classifier_i=list(np.repeat(str(clf)[:-2],10))
scores=list(scores)
cvOutcome=cvOutcome.append(scores)
index=index.append(index_i)
classifier=classifier.append(classifier_i)
merge=pd.concat([index,cvOutcome,classifier],axis=1)
merge.columns=['model','rate','classifier']
return(merge)
from sklearn.naive_bayes import GaussianNB as gnb
clf_nb=gnb()
from sklearn import tree
clf_dt=tree.DecisionTreeClassifier()
如果我crossV(clf_nb)
,它会将结果显示为
model rate classifier
1 92.558679 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
我的问题是如何将此函数应用于多个分类器并将其结果附加为长数据框,如
model rate classifier
1 92.558679 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 93.25 DecisionTree
1 93.25 DecisionTree
我试过这段代码,但它不起作用:
hhh=[clf_nb,clf_dt]
g=pd.DataFrame()
while i in hhh:
g=g.append(crossV(i))
我也试过像
这样的数组中的map函数map(crossV,(clf_nb,clf_dt))
它有效,但只是给我一个更大的列表,我不知道如何将其转换为数据框。
答案 0 :(得分:1)
clf = [clf_nb, clf_dt]
cross_clf = [ crossV(x) for x in clf ]
df = pd.concat( cross_clf )
修改强>
评论中的问题示例:
我需要i = clf_nb
或i = clf_nb
才能启动while
hhh = [clf_nb, clf_dt]
g = pd.DataFrame()
i = clf_nb
while i in hhh: # if `clf_nb` is still on the list `hhh` then ...
g.append( crossV(i) ) # append `clf_nb` to the `g`
但i
始终是clf_nb
和clf_nb
始终在列表hhh
上的所有时间,因此您有无限循环,始终将clf_nb
添加到g