Question

是否可以执行grid_search（以获得最佳SVM的C）并使用scikit-learn指定sample_weight？

这是我遇到的错误：

gs = GridSearchCV（svm.SVC（C = 1），[{'kernel'：['linear']，'C'：[。1,1,10]，'probability'：[True]，' sample_weight'：sw_train}]）

gs.fit（Xtrain，ytrain）

＆GT;＆GT; ValueError：估算器SVC的参数sample_weight无效

由于

[编辑]

感谢FP：我需要获取SKL的最新版本并使用以下内容：

gs.fit（Xtrain，ytrain，fit_params = {'sample_weight'：sw_train}）

Answer 1

试图结束这个悬而未决的问题......

您需要获取SKL的最新版本并使用以下内容：

gs.fit(Xtrain, ytrain, fit_params={'sample_weight': sw_train})

但是，它更符合将fit_params传递给构造函数的文档：

gs = GridSearchCV(svm.SVC(C=1), [{'kernel': ['linear'], 'C': [.1, 1, 10], 'probability': [True], 'sample_weight': sw_train}], fit_params={'sample_weight': sw_train})

gs.fit(Xtrain, ytrain)

Answer 2

在版本0.16.1中，如果使用Pipeline，则需要将参数传递给GridSearchCV构造函数：

clf = pipeline.Pipeline([('svm', svm_model)])
model = grid_search.GridSearchCV(estimator = clf, param_grid=param_grid,
    fit_params={'svm__sample_weight': sw_train})

Answer 3

以前的答案现已过时。字典companyNameCheckPromise.then((data) => { return new Promise((resolve, reject) => { ... resolve(data); // do not return it }); });应该传递给fit_params方法。

来自GridSearchCV的文档：

fit_params ：dict，optional

传递给fit方法的参数。


自版本0.19后不推荐使用：fit_params作为构造函数参数在版本0.19中已弃用，将在版本0.21中删除。将拟合参数传递给fit方法。

Answer 4

以下在Sklearn 0.23.1中起作用，

grid_cv = GridSearchCV(clf, param_grid=param_grid,
                       scoring='recall', n_jobs=-1, cv=10)

grid_cv.fit(x_train_orig, y=y_train_orig,
            sample_weight=my_sample_weights)

Answer 5

适合 fit_params={'sample_weight': weights} 作品。

但是，验证仍然没有 (github issue)。本质上，交叉验证会报告未加权的损失，因此超参数调整可能会被引导到错误的方向。

这里有一个解决方法的准确性。还应使用其他指标。

from sklearn.metrics import accuracy_score
from sklearn.utils import compute_sample_weight
from sklearn.metrics import make_scorer


def weighted_accuracy_eval(y_pred, y_true, **kwargs):
    balanced_class_weights_eval = compute_sample_weight(
        class_weight='balanced',
        y=y_true
    )
    out = accuracy_score(y_pred=y_pred, y_true=y_true, sample_weight=balanced_class_weights_eval, **kwargs)
    return out


weighted_accuracy_eval_skl = make_scorer(weighted_accuracy_eval)

gridsearch = GridSearchCV(
    estimator=model,
    scoring=weighted_accuracy_eval,
    param_grid=paramGrid,
)

cv_result = gridsearch.fit(
    X_train,
    y_train,
    fit_params=fit_params
)

scikit-learn：在grid_search中使用sample_weight

5 个答案: