- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想在RandomForestClassifier中执行GridSearchCV,但是数据不平衡,所以我使用StratifiedKFold:
from sklearn.model_selection import StratifiedKFold
from sklearn.grid_search import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
param_grid = {'n_estimators':[10, 30, 100, 300], "max_depth": [3, None],
"max_features": [1, 5, 10], "min_samples_leaf": [1, 10, 25, 50], "criterion": ["gini", "entropy"]}
rfc = RandomForestClassifier()
clf = GridSearchCV(rfc, param_grid=param_grid, cv=StratifiedKFold()).fit(X_train, y_train)
TypeError Traceback (most recent call last)
<ipython-input-597-b08e92c33165> in <module>()
9 rfc = RandomForestClassifier()
10
---> 11 clf = GridSearchCV(rfc, param_grid=param_grid, cv=StratifiedKFold()).fit(X_train, y_train)
c:\python34\lib\site-packages\sklearn\grid_search.py in fit(self, X, y)
811
812 """
--> 813 return self._fit(X, y, ParameterGrid(self.param_grid))
c:\python34\lib\site-packages\sklearn\grid_search.py in _fit(self, X, y, parameter_iterable)
559 self.fit_params, return_parameters=True,
560 error_score=self.error_score)
--> 561 for parameters in parameter_iterable
562 for train, test in cv)
c:\python34\lib\site-packages\sklearn\externals\joblib\parallel.py in __call__(self, iterable)
756 # was dispatched. In particular this covers the edge
757 # case of Parallel used with an exhausted iterator.
--> 758 while self.dispatch_one_batch(iterator):
759 self._iterating = True
760 else:
c:\python34\lib\site-packages\sklearn\externals\joblib\parallel.py in dispatch_one_batch(self, iterator)
601
602 with self._lock:
--> 603 tasks = BatchedCalls(itertools.islice(iterator, batch_size))
604 if len(tasks) == 0:
605 # No more tasks available in the iterator: tell caller to stop.
c:\python34\lib\site-packages\sklearn\externals\joblib\parallel.py in __init__(self, iterator_slice)
125
126 def __init__(self, iterator_slice):
--> 127 self.items = list(iterator_slice)
128 self._size = len(self.items)
c:\python34\lib\site-packages\sklearn\grid_search.py in <genexpr>(.0)
560 error_score=self.error_score)
561 for parameters in parameter_iterable
--> 562 for train, test in cv)
563
564 # Out is a list of triplet: score, estimator, n_test_samples
TypeError: 'StratifiedKFold' object is not iterable
cv=StratifiedKFold(y_train)
时我有
ValueError: The number of folds must be of Integral type.
,但是当我写`cv = 5时,它可以工作。
最佳答案
我有完全一样的问题。对我有用的解决方案是替换:
from sklearn.grid_search import GridSearchCV
from sklearn.model_selection import GridSearchCV
关于pandas - GridSearchCV : "TypeError: ' StratifiedKFold' object is not iterable",我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40257492/
StratifiedKFold、StratifiedShuffleSplit、StratifiedKFold + Shuffle 之间的区别是什么? 我应该什么时候使用每一种?当我获得更好的准确度分数
我正在参加 APTOS 2019 Kaggle 竞赛,并尝试组合 5 层折叠,但在正确实现 StratifiedKFold 时遇到问题。 我尝试用谷歌搜索 fastai 讨论,但没有看到任何解决方案。
我读过一些关于各种简历方法的帖子。但我不明白的是,为什么在函数中打乱数据会导致准确性显着提高,以及何时这样做是正确的。 在我的时间序列数据集中,大小为 921 *10080其中每行是一个区域中特定位置
我正在尝试使用 stratifiedKFold 和 RandomizedSearchCV 来实现随机森林分类器。问题是我可以看到 RandomizedSearchCV 的“cv”参数用于进行交叉验证。
我有一个 pandas DataFrame,其中包含需要拆分成平衡切片的字符串和浮点列,以便训练 sklearn 管道。 理想情况下,我会使用 StratifiedKFold在 DataFrame 上
我有一个数据集,可以以 python 字典 或 列表 的形式传递给多输入神经网络: 示例: #dict {'input1': X1, 'input2': X2, 'input3': X3}, {'ou
我正在尝试使用 StratifiedKFold 创建用于非 sklearn 机器学习工作流程的训练/测试/验证拆分。因此,DataFrame 需要拆分然后保持原样。 我正在尝试像下面这样使用 .val
我正在处理一个分类问题,我需要预测文本数据的类别。我需要为我正在考虑使用 GridSearchCV 的分类模型进行超参数调整。我还需要执行 StratifiedKFold,因为我的数据不平衡。我知道如
我想在RandomForestClassifier中执行GridSearchCV,但是数据不平衡,所以我使用StratifiedKFold: from sklearn.model_selection
这个问题在这里已经有了答案: difference between StratifiedKFold and StratifiedShuffleSplit in sklearn (3 个回答) 10 个
我想为我的 StratifiedKFold 找到最佳分割,并在最佳分割上构建我的模型。代码如下: def best_classifier(clf,k,x,y): skf = Stratifie
我一直在尝试在 python 2.7 中实现这段代码。它给了我这个错误。我将不胜感激帮助。我有最新版本的 sklearn(0.18.1) 和 xgboost(0.6) import xgboost a
使用 Sklearn 分层 kfold 拆分,当我尝试使用多类拆分时,我收到错误消息(见下文)。当我尝试使用二进制进行拆分时,它没有问题。 num_classes = len(np.unique(y_
我是一名优秀的程序员,十分优秀!