将StandardScaler()与RFECV和GridSearchCV叠加

Question

所以我发现StandardScaler()可以让我的RFECV在GridSearchCV中更快地运行，每个RFECV都在嵌套的三倍交叉验证中运行。如果没有StandardScaler()，我的代码运行了2天多，所以我取消了，并决定将StandardScaler注入到该过程中。但现在它已经运行了4个多小时，我不确定我是否做对了。这是我的代码：

# Choose Linear SVM as classifier
LSVM = SVC(kernel='linear')
selector = RFECV(LSVM, step=1, cv=3, scoring='f1')
param_grid = [{'estimator__C': [0.001, 0.01, 0.1, 1, 10, 100]}]
clf = make_pipeline(StandardScaler(), 
GridSearchCV(selector,
param_grid,
cv=3,
refit=True,
scoring='f1'))
clf.fit(X, Y)

老实说，我认为我没有做对，因为我认为StandardScaler()应该放在GridSearchCV()函数中，让它在每个折叠中规范化数据，而不仅仅是一次(？)。如果我错了，或者我的管道不正确，以及为什么它仍在长时间运行，请纠正我。

我有8000行145个特征要由RFECV修剪，还有6个C值要由GridSearchCV修剪。因此，对于每个C值，最佳特征集由RFECV确定。

谢谢！

更新：

所以我把StandardScaler放在RFECV里，就像这样：

clf = SVC(kernel='linear')
kf = KFold(n_splits=3, shuffle=True, random_state=0)  
estimators = [('standardize' , StandardScaler()),
('clf', clf)]
class Mypipeline(Pipeline):
@property
def coef_(self):
return self._final_estimator.coef_
@property
def feature_importances_(self):
return self._final_estimator.feature_importances_ 
pipeline = Mypipeline(estimators)
rfecv = RFECV(estimator=pipeline, cv=kf, scoring='f1', verbose=10)
param_grid = [{'estimator__svc__C': [0.001, 0.01, 0.1, 1, 10, 100]}]
clf = GridSearchCV(rfecv, param_grid, cv=3, scoring='f1', verbose=10)

但它仍然抛出以下错误：

ValueError：估计器管道的参数C无效(内存=无，steps=[('标准缩放器'，标准缩放器(copy=True，with_mean=True，>with_std=True))，('svc'，svc(C=1.0，cache_size=200，class_weight=None，>coeff0=0.0，decision_function_shape="vr"，degree=3，gamma="auto"，kernel="linear"，max_iter=-1，probability=False，random_state=None，shring=True，tol＝0.001，verbose＝False))])。使用>estimator.get_params().keys()检查可用参数列表。

Answer 1

Kumar是对的。此外，您可能想做的是，在GridSearchCV中启用verbose。此外，您可以对SVC的迭代次数进行限制，从一个很小的数字开始，比如5，只是为了确保问题不在于收敛。