我正在尝试使用GridSearchCV进行SVM HyperParamater优化。假设我正在使用训练集数据和标签来喂养此功能(在函数调用之前已经隔离了测试拆分)。
def param_search(X, y):
Cs = 10. ** np.arange(-3, 4)
gammas = 10. ** np.arange(-3, 3)
rbf_grid = {'clf__C':Cs, 'clf__gamma':gammas, 'clf__kernel':['rbf'],
'clf__class_weight':['balanced']}
lin_grid = {'clf__C':Cs, 'clf__kernel':['linear'],
'clf__class_weight':['balanced']}
pipe = Pipeline([('scaler', StandardScaler()), ('clf', svm.SVC())])
grid_search = GridSearchCV(pipe, param_grid=[rbf_grid, lin_grid],
cv=StratifiedKFold(n_splits=5, shuffle=True), verbose=2, n_jobs=-1)
grid_search.fit(X,y)
return grid_search.best_params_
我希望GridSearchCV评估每个简历分配的数据,该数据由针对该特定拆分计算的训练缩放。目前,每组参数(我想要的是什么)当前称为5次标准标准函数吗?或第一次致电GridSearchCV。
简短答案:是的,对于每组参数,它确实适合Standard Scaler
5次。基本上,整个管道每次拆分和每个参数选择均拟合一次,然后进行评估。