使用**kwargs (Scikit Learn)设置n_estimators参数

Question

我正在尝试遵循本教程学习基于机器学习的预测，但我有两个问题吗?

Ques1。如何在下面的代码中设置n_estimators，否则它将始终采用默认值

from sklearn.cross_validation import KFold
def run_cv(X,y,clf_class,**kwargs):
# Construct a kfolds object
kf = KFold(len(y),n_folds=5,shuffle=True)
y_pred = y.copy()
# Iterate through folds
for train_index, test_index in kf:
    X_train, X_test = X[train_index], X[test_index]
    y_train = y[train_index]
    # Initialize a classifier with key word arguments
    clf = clf_class(**kwargs)
    clf.fit(X_train,y_train)
    y_pred[test_index] = clf.predict(X_test)
return y_pred

它被称为:

from sklearn.svm import SVC print "%.3f" % accuracy(y, run_cv(X,y,SVC))

Ques2:如何使用已经训练好的模型文件(例如从SVM中获得的)，以便我可以使用它来预测更多(测试)我没有用于训练的数据?

Answer 1

对于您的第一个问题，在上面的代码中您将调用run_cv(X,y,SVC,n_classifiers=100), **kwargs将通过步骤clf = clf_class(**kwargs)将其传递给分类器初始化器。

对于您的第二个问题，您链接的代码中的交叉验证只是用于模型评估，即比较不同类型的模型和超参数，并确定您的模型在生产中的可能有效性。一旦你决定了你的模型，你需要在整个数据集上重新调整模型:

clf.fit(X,y)

那么您可以使用clf.predict或clf.predict_proba获得预测