2回答

qq_慕姐45445

提问者

2019-04-22

BOBO老师您好，看了你的回复我尝试了SVR的网格搜索不知道哪里出错了：

import numpy as np

import matplotlib.pyplot as plt

from sklearn import datasets

boston = datasets.load_boston()

x = boston.data

y = boston.target

from sklearn.preprocessing import StandardScaler

from sklearn.pipeline import Pipeline

from sklearn.svm import SVR

def RBFKernelsvr(C=1,gamma=1.0):

    return Pipeline([

            ("std_scaler",StandardScaler()),

            ("svc",SVR(kernel="rbf",gamma=gamma,C=C))

            

            

            ])

svr = RBFKernelsvr()

# 准备待搜索的参数列表

C_PARM = [0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8]

param_grid = [

    {

        'gamma': [i for i in C_PARM], 

        'C':[i for i in range(1, 11)]

    }

]

from sklearn.model_selection import GridSearchCV

grid_search = GridSearchCV(svr, param_grid)

grid_search.fit(x,y)

print(grid_search.best_estimator_)

print(grid_search.best_params_)

svr0=grid_search.best_estimator_

print(svr0.score(x,y))

0

4

qq_慕姐45445

回复

liuyubobobo

非常感谢

2019-04-23

共4条回复

liuyubobobo

2019-03-06

课程中介绍的网格搜索算法，可以用于对任意机器学习算法进行调参。具体参考课程4-6所介绍的网格搜索。

在这个问答中，我又以逻辑回归为例，简述了怎么融合更为复杂的Pipeline，进行调参，可以参考：http://coding.imooc.com/learn/questiondetail/61679.html

将这个代码中的 LogisticRegression 类，换成SVR，就是对SVR调参了（当然要包含对应的参数）：）

遗传算法不是这个课程的内容。抱歉。

继续加油！：）

0

0