Sklearn validation_curve：我对“param_name”参数有哪些可能性

Question

如果我计算 validation curve 如下：

PolynomialRegression(degree=2,**kwargs):
    return make_pipeline(PolynomialFeatures(degree),LinearRegression(**kwargs))

#...

degree=np.arange(0,21)

train_score,val_score=validation_curve(PolynomialRegression(),X,y,"polynomialfeatures__degree",degree,cv=7)

函数声明参数“param_name”，这是将被评估的参数的名称（“param_range”）在这种情况下，它是多项式特征__度。 但是：

1. 我一般从哪里得到“param_name”的字符串，特别是从哪里得到字符串“polynomialfeatures__degree”，因为我在任何文档中都找不到这个param_name...“function__param name”是一个指向函数的 param_name 的常用方法？？
2. 我可以对哪些估算器使用 validation_curve 函数？

Answer 1

第 1 部分

回答你的问题 #1：

作为param_name，您可以使用您选择的估计器的可用参数之一。

例如：假设您选择了估算器：LinearRegression。从这个link 你可以看到可用的参数/参数是fit_intercept=True, normalize=False, copy_X=True, n_jobs=1。所以现在您知道具体估算器的可用参数是什么了。

现在，从this link 我们可以看到如何定义param_name 和param_range。

此链接中的部分示例：

param_range = np.logspace(-6, -1, 5)

train_scores, test_scores = validation_curve(
SVC(), X, y, param_name="gamma", param_range=param_range,
cv=10, scoring="accuracy", n_jobs=1)

编辑 1：

对于你所说的“字符串”：如果我理解正确，你想做这样的事情：

from sklearn.preprocessing import PolynomialFeatures

a= PolynomialFeatures(degree=2)
a.get_params()

结果：

{'include_bias': True, 'interaction_only': False, 'degree': 2}

这些是多项式特征可用的param_names。

编辑 2：

查看param_names 的另一种方法是转到源代码。

例如，在这里link，您可以在第 1149-1160 行看到 PolynomialFeatures 估计器的参数字符串。

最后，在这里link，您可以在第 421-444 行看到 LinearRegression 估计器的参数字符串。

编辑 3：

在 sklearn 中获取和设置估计器参数的其他方式。

from sklearn.linear_model import LinearRegression

lr = LinearRegression()
lr.get_params(deep=True)

结果：

{'copy_X': True, 'normalize': False, 'n_jobs': 1, 'fit_intercept': True}

现在您知道了创建参数的参数：

params = {  'copy_X': False,  'fit_intercept': True,  'normalize': True }

然后你可以在估算器中解压它们：

lr_new = LinearRegression(**params)
lr_new

结果：

LinearRegression(copy_X=True, fit_intercept=False, n_jobs=1, normalize=True)

第 2 部分：

回答您的问题 #2：

我认为对于sklearn 模块，您可以将validation_curve 用于所有估算器。

希望对你有帮助