Quiero construir un Pipeline en sklearn y probar diferentes modelos usando GridSearchCV. Solo un ejemplo (por favor, no preste atención a qué modelos particulares se eligen): reg = LogisticRegression() proj1 = PCA(n_components=2) proj2 = MDS() proj3 = TSNE() pipe = [(‘proj’, proj1), (‘reg’ , reg)] pipe = Pipeline(pipe) param_grid = { ‘reg__c’: [0.01, 0.1, 1], […]
Tengo un conjunto de datos, que previamente se ha dividido en 3 conjuntos: entrenamiento, validación y prueba. Estos conjuntos deben usarse como se indica para poder comparar el rendimiento en diferentes algoritmos. Ahora me gustaría optimizar los parámetros de mi SVM usando el conjunto de validación. Sin embargo, no puedo encontrar cómo ingresar el conjunto […]
Estoy tratando de entender el uso de la validación cruzada de kfolds desde el módulo sklearn python. Entiendo el flujo básico: instanciar un modelo, por ejemplo, model = LogisticRegression() ajuste del modelo, por ejemplo, model.fit(xtrain, ytrain) predicción, por ejemplo, model.predict(ytest) use, por ejemplo, la puntuación de valor cruzado para probar la precisión del modelo ajustado […]
Tengo un pequeño corpus y quiero calcular la precisión del ingenuo clasificador de Bayes usando una validación cruzada de 10 veces, ¿cómo puedo hacerlo?
Para realizar un CV adecuado, es recomendable utilizar tuberías para que se puedan aplicar las mismas transformaciones a cada pliegue en el CV. Puedo definir transformaciones personalizadas utilizando sklearn.preprocessing.FunctionTrasformer o subclassing sklearn.base.TransformerMixin . ¿Cuál es el enfoque recomendado? ¿Por qué?
Estoy usando python y me gustaría usar validación cruzada anidada con scikit learn. He encontrado un muy buen ejemplo : NUM_TRIALS = 30 non_nested_scores = np.zeros(NUM_TRIALS) nested_scores = np.zeros(NUM_TRIALS) # Choose cross-validation techniques for the inner and outer loops, # independently of the dataset. # Eg “LabelKFold”, “LeaveOneOut”, “LeaveOneLabelOut”, etc. inner_cv = KFold(n_splits=4, shuffle=True, random_state=i) […]
Estoy tratando de ejecutar el siguiente código: from sklearn.model_selection import StratifiedKFold X = [“hey”, “join now”, “hello”, “join today”, “join us now”, “not today”, “join this trial”, ” hey hey”, ” no”, “hola”, “bye”, “join today”, “no”,”join join”] y = [“n”, “r”, “n”, “r”, “r”, “n”, “n”, “n”, “n”, “r”, “n”, “n”, “n”, “r”] skf […]
Después de leer la documentación de LightGBM sobre validación cruzada, espero que esta comunidad pueda aclarar los resultados de la validación cruzada y mejorar nuestras predicciones utilizando LightGBM. ¿Cómo se supone que debemos usar la salida del diccionario de lightgbm.cv para mejorar nuestras predicciones? Aquí hay un ejemplo: entrenamos nuestro modelo de CV con el […]
Quiero hacer una cuadrícula, buscar el parámetro del modelo con fit_generator como entrada en keras Encuentro el código de abajo en el desbordamiento de stack y lo cambio 1- pero no entiendo cómo dar a fit_generator o flow_from_directory para que se ajuste a la función (última línea en el código) 2- ¿Cómo se puede agregar […]
Estoy confundido acerca de la diferencia entre la métrica de puntuación cross_val_score ‘roc_auc’ y el roc_auc_score que solo puedo importar y llamar directamente. La documentación ( http://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter ) indica que especificar scoring = ‘roc_auc’ usará el sklearn.metrics.roc_auc_score. Sin embargo, cuando implemento GridSearchCV o cross_val_score con scoring = ‘roc_auc’, recibo números muy diferentes que cuando llamo […]