Объединение анализатора основных компонентов и поддержка векторной машины в конвейере

Question

Я хочу совместить PCA и SVM с конвейером, чтобы найти наилучшую комбинацию гиперпараметров в GridSearch.

Следующий код

from sklearn.svm import SVC 
from sklearn import decomposition, datasets 
from sklearn.pipeline import Pipeline 
from sklearn.model_selection import GridSearchCV 

digits = datasets.load_digits() 
X_train = digits.data 
y_train = digits.target 

#Use Principal Component Analysis to reduce dimensionality 
# and improve generalization 
pca = decomposition.PCA() 
# Use a linear SVC 
svm = SVC() 
# Combine PCA and SVC to a pipeline 
pipe = Pipeline(steps=[('pca', pca), ('svm', svm)]) 
# Check the training time for the SVC 
n_components = [20, 40, 64] 
svm_grid = [ 
    {'C': [1, 10, 100, 1000], 'kernel': ['linear']}, 
    {'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']}, 
] 
estimator = GridSearchCV(pipe, 
         dict(pca__n_components=n_components, 
           svm=svm_grid)) 
estimator.fit(X_train, y_train) 

результаты в

AttributeError: 'dict' object has no attribute 'get_params' 

Там, вероятно что-то не так с тем, как я определяю и использовать svm_grid. Как я могу передать эту комбинацию параметров в GridSearchCV правильно?

Answer 1

Проблемы заключалась в том, что, когда GridSearchCV пытался дать Оценщик параметры:

if parameters is not None: 
    estimator.set_params(**parameters) 

оценщика здесь был объект трубопровода, а не фактическое SVM из наименования ваших параметров сетки.

Я считаю, что это должно быть так:

from sklearn.svm import SVC 
from sklearn import decomposition, datasets 
from sklearn.pipeline import Pipeline 
from sklearn.model_selection import GridSearchCV 

digits = datasets.load_digits() 
X_train = digits.data 
y_train = digits.target 

# Use Principal Component Analysis to reduce dimensionality 
# and improve generalization 
pca = decomposition.PCA() 
# Use a linear SVC 
svm = SVC() 
# Combine PCA and SVC to a pipeline 
pipe = Pipeline(steps=[('pca', pca), ('svm', svm)]) 
# Check the training time for the SVC 
n_components = [20, 40, 64] 

params_grid = { 
    'svm__C': [1, 10, 100, 1000], 
    'svm__kernel': ['linear', 'rbf'], 
    'svm__gamma': [0.001, 0.0001], 
    'pca__n_components': n_components, 
} 

estimator = GridSearchCV(pipe, params_grid) 
estimator.fit(X_train, y_train) 

print estimator.best_params_, estimator.best_score_ 

Выход:

{'pca__n_components': 64, 'svm__C': 10, 'svm__kernel': 'rbf', 'svm__gamma': 0.001} 0.976071229827 

Включения всех ваших параметров в params_grid и называя их соответственно названные шаги.

Надеюсь, это поможет! Удачи!