使用 .set_params() 函数进行线性回归答案

【问题标题】：Using .set_params() function for LinearRegression使用 .set_params() 函数进行线性回归
【发布时间】：2021-12-20 16:55:24
【问题描述】：

我最近开始研究线性回归的机器学习。我使用了LinearRegression (lr) 来预测一些值。确实，我的预测很糟糕，我被要求更改超参数以获得更好的结果。

我使用以下命令获取超参数：

lr.get_params().keys() 
lr.get_params()

并获得以下信息：

 'copy_X': True,
 'fit_intercept': True,
 'n_jobs': None,
 'normalize': False,
 'positive': False}

和

dict_keys(['copy_X', 'fit_intercept', 'n_jobs', 'normalize', 'positive'])

现在，问题开始出现了。我试图找到正确的语法来使用 .set_params() 函数，但每个答案似乎都超出了我的理解范围。

自从lr.set_params('normalize'==True) 等命令返回后，我尝试分配位置参数

TypeError: set_params() takes 1 positional argument but 2 were given

lr.set_params(some_params = {'normalize'}) 已返回

ValueError (`ValueError: Invalid parameter some_params for estimator LinearRegression(). Check the list of available parameters with estimator.get_params().keys().

有人可以简单解释一下这个函数是如何工作的吗？

【问题讨论】：

标签： python machine-learning scikit-learn linear-regression hyperparameters

【解决方案1】：

解压** 符号，@FlaviaGiammarino 的回答相当于：

reg.set_params(
    copy_X=False,
    fit_intercept=False,
    n_jobs=-1,
    normalize=True,
    positive=True
)

【讨论】：

【解决方案2】：

正确的语法是set_params(**params)，其中params 是包含估计器参数的字典，请参阅scikit-learn documentation。

from sklearn.linear_model import LinearRegression

reg = LinearRegression()

reg.get_params()
# {'copy_X': True,
#  'fit_intercept': True,
#  'n_jobs': None,
#  'normalize': False,
#  'positive': False}

reg.set_params(**{
    'copy_X': False,
    'fit_intercept': False,
    'n_jobs': -1,
    'normalize': True,
    'positive': True
})

reg.get_params()
# {'copy_X': False,
#  'fit_intercept': False,
#  'n_jobs': -1,
#  'normalize': True,
#  'positive': True}

【讨论】：