Question

我想获取虹膜数据并基于GridSearchCV函数选择最佳的物流模型。

到目前为止我的工作

import numpy as np
from sklearn import datasets
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression

iris = datasets.load_iris()
X = iris.data[:, :2]
y = iris.target

# Logistic regression 
reg_log = LogisticRegression()

# Penalties
pen = ['l1', 'l2','none']

#Regularization strength (numbers from -10 up to 10)
C = np.logspace(-10, 10, 100)

# Possibilities for those parameters
parameters= dict(C=C, penalty=pen)

# choosing best model based on 5-fold cross validation
Model = GridSearchCV(reg_log, parameters, cv=5)

# Fitting best model
Best_model = Model.fit(X, y)

我得到很多错误。你知道我在做什么错吗？

Answer 1

由于您选择了不同的正则化，因此可以在help page上看到：

“ newton-cg”，“ sag”和“ lbfgs”求解器仅支持L2 用原始公式进行正则化，或不进行正则化。的 “ liblinear”求解器同时支持L1和L2正则化仅针对L2惩罚制定公式。 Elastic-Net正则化为仅受“传奇”求解器支持。

我不确定您是否要使用罚分='none'和罚分进行网格搜索。因此，如果您使用saga并增加迭代次数：

reg_log = LogisticRegression(solver="saga",max_iter=1000)

pen = ['l1', 'l2']
C = [0.1,0.001]

parameters= dict(C=C, penalty=pen)

Model = GridSearchCV(reg_log, parameters, cv=5)

Best_model = Model.fit(X, y)

res = pd.DataFrame(Best_model.cv_results_)
res[['param_C','param_penalty','mean_test_score']]

    param_C param_penalty   mean_test_score
0   0.1 l1  0.753333
1   0.1 l2  0.833333
2   0.001   l1  0.333333
3   0.001   l2  0.700000

工作正常。如果您的惩罚值出现更多错误，请尝试查看它们，并确保它们不是一些疯狂的值。

选择有关k折交叉验证的最佳模型

1 个答案: