- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
在 sklearn.model_selection.cross_val_score
中使用 n_jobs = -1
作为参数时出现错误。我是深度学习和 ANN 的初学者,根据 this 中的讲师在 k 折交叉验证中,使用 n_jobs = -1
来使用 CPU 的所有处理器以减少时间,但在我的情况下它会引发错误。
错误-
BrokenProcessPool: A task has failed to un-serialize. Please ensure that the arguments of the function are all picklable.
可以找到完整的堆栈跟踪 here .
import keras
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
def build_classifier():
classifier = Sequential()
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu', input_dim = 11))
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
return classifier
classifier = KerasClassifier(build_fn = build_classifier, batch_size = 10, nb_epoch = 100)
accuracies = cross_val_score(estimator = classifier, X = X_train, y = Y_train, cv = 10, n_jobs = -1)
最佳答案
尝试在外部文件中创建您的 build_classifier
函数并导入它。例如:
在文件 classifier_builder.py
中:
import keras
def build_classifier():
classifier = Sequential()
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu', input_dim = 11))
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
return classifier
然后在你的笔记本上:
import classifier_builder
classifier = KerasClassifier(build_fn = build_classifier, batch_size = 10, nb_epoch = 100)
accuracies = cross_val_score(estimator = classifier, X = X_train, y = Y_train, cv = 10, n_jobs = -1)
这解决了我的问题。显然,内联函数不可 picklable。
关于python - BrokenProcessPool 关于在 cross_val_score 中使用 n_jobs 参数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53135494/
我实现了自定义cross_val_score函数。但结果与使用 sklearn 的 cross_val_score 获得的结果不同。 modelType = SGDClassifier(random_
我想在 cross_val_score 函数中使用调整后的 Rsquare。我尝试使用 make_scorer 函数,但它不起作用。 from sklearn.cross_validation imp
在此:cross_val_score(GaussianNB(),特征,目标,cv=10) 我们是将数据随机分成 10 个还是按顺序进行? 最佳答案 这取决于您在 cv 参数中指定的内容。 如果自变量是
当我们将没有predict 方法的东西传递给cross_val_score 时,究竟计算了什么,就像这里 from sklearn.model_selection import cross_val_s
我希望 sklearn 函数的 cross_val_score 返回每个类的准确度,而不是所有类的平均准确度。 功能: sklearn.model_selection.cross_val_score(
我正在使用 Scikit-learn。我尝试使用简单的交叉验证程序和快速的cross_validation.cross_val_score来进行交叉验证。但我发现我得到了不同的数字。为什么? impo
这是可重现示例代码: from numpy import mean from sklearn.datasets import make_classification from sklearn.mode
我正在研究一个多元线性回归问题,并通过 R^2、MAE 和 cross_val_score() 评估其性能。我有一个大小为(1565,334)的feature_set和大小为(1565,1)的y1。这
我尝试计算准确性,但对 cross_val_score 给出的结果相当低这一事实感到困惑,而不是通过将预测结果与正确结果进行比较。 第一种计数方式,给出 [0.8033333333333333、0.7
由于该类的文档不是很清楚。我不明白我赋予它什么值(value)。 cross_val_score(estimator, X, y=None) 这是我的代码: clf = LinearSVC(rando
我正在使用 cross_val_score 来计算回归量的平均分数。这是一个小片段。 from sklearn.linear_model import LinearRegression from sk
我想使用嵌套 CV 方法从 SVC 中找到最佳参数: import numpy as np import pandas as pd import matplotlib.pyplot as plt %m
我正在使用 cross_val_score 方法评估 desicion_tree_regressor 预测模型。问题是,分数似乎是负数,我真的不明白为什么。 这是我的代码: all_depths =
我在 sci-kit 学习文档中找不到此信息。但根据我得到的数字,分数看起来不像是均方误差。 最佳答案 cross_val_score 调用您传入的估算器的 .score() 方法,返回的内容因估算器
我正在研究一个文本分类问题,我是这样设置的(为了简洁起见,我省略了数据处理步骤,但它们会生成一个名为 data 的数据框包含 X 和 y 列): import sklearn.model_select
我正在尝试在 keras 上做这个关于回归的小教程: http://machinelearningmastery.com/regression-tutorial-keras-deep-learning
我有一个二进制时间序列分类问题。 因为它是一个时间序列,我不能只train_test_split 我的数据。因此,我使用了此 link 中的对象 tscv = TimeSeriesSplit() ,
我正在尝试运行 kfold 交叉验证。但由于某种原因,它卡在这里,它不会从这里终止 accuracies = cross_val_score(estimator = classifier, X = X
我正在运行 RandomForestRegressor()。我使用 R 平方进行评分。为什么使用 .score 和 cross_val_score 会得到截然不同的结果?相关代码如下: X = df.
我正在 Kaggle 中执行泰坦尼克号案例的学习任务。 如果我手动分离数据或使用 cross_val_score 执行线性回归,我的预测精度会有所不同。逻辑回归也是如此。 示例。 - 线性回归。 手册
我是一名优秀的程序员,十分优秀!