Question

如果我计算validation curve如下：

PolynomialRegression(degree=2,**kwargs):
    return make_pipeline(PolynomialFeatures(degree),LinearRegression(**kwargs))

#...

degree=np.arange(0,21)

train_score,val_score=validation_curve(PolynomialRegression(),X,y,"polynomialfeatures__degree",degree,cv=7)

该函数声明参数“param_name”，它是将要计算的参数的名称（“param_range”）在这种情况下，它是polynomialfeatures__degree。但是：

从哪里获取“param_name”的字符串一般来说，我从哪里得到字符串“polynomialfeatures__degree”特别是因为我在任何文档中都找不到这个param_name ...是“function__param name”a指向函数的param_name的常用方法??
我可以使用validation_curve函数的估算器吗？

Answer 1

第1部分

回答您的问题＃1：

作为param_name，您可以使用您选择的估算工具中的一个可用参数。

例如：假设您选择估算工具：LinearRegression。从这个link可以看出，可用的参数/参数是fit_intercept=True, normalize=False, copy_X=True, n_jobs=1。所以现在您知道特定估算器的可用参数是什么。

现在，从this link我们可以看到如何定义param_name和param_range。

此链接中的部分示例：

param_range = np.logspace(-6, -1, 5)

train_scores, test_scores = validation_curve(
SVC(), X, y, param_name="gamma", param_range=param_range,
cv=10, scoring="accuracy", n_jobs=1)

编辑1 ：

对于＆＃34;字符串＆＃34;正如你所说的那样：如果我理解你想要做的事情如下：

from sklearn.preprocessing import PolynomialFeatures

a= PolynomialFeatures(degree=2)
a.get_params()

结果：

{'include_bias': True, 'interaction_only': False, 'degree': 2}

这些是PolynomialFeatures的可用 param_names 。

编辑2：

查看param_names的另一种方法是转到源代码。

例如，在这里link，您可以在第1149-1160行中看到PolynomialFeatures估算工具的参数字符串。

最后，在这里link，您可以在第421-444行中看到LinearRegression估算工具的参数字符串。

编辑3：

以其他方式获取和设置 sklearn中估算工具的参数。

from sklearn.linear_model import LinearRegression

lr = LinearRegression()
lr.get_params(deep=True)

结果：

{'copy_X': True, 'normalize': False, 'n_jobs': 1, 'fit_intercept': True}

现在您知道了创建参数的参数：

params = {  'copy_X': False,  'fit_intercept': True,  'normalize': True }

然后你可以在估算器中解压缩它们：

lr_new = LinearRegression(**params)
lr_new

结果：

LinearRegression(copy_X=True, fit_intercept=False, n_jobs=1, normalize=True)

第2部分：

回答您的问题＃2：

我认为对于sklearn模块，您可以将validation_curve用于所有估算工具。

希望这有帮助

Sklearn validation_curve：我对“param_name”参数有哪些可能性

1 个答案: