1

GridSearchCV を使用して、なげなわモデルに最適なアルファを見つけました。

alphas = np.logspace(-5, 2, 30)
grid = GridSearchCV(estimator=Lasso(),
param_grid=dict(alpha=alphas), cv=10, scoring='r2')
grid.fit(self.X, self.Y) # entire datasets were fed here

print grid.best_params_, grid.best_score_ # score -0.0470788758558
for params, mean_score, scores in grid.grid_scores_:
    print mean_score, params

最高のパラメーターは 0.0014873521072935117 で、負の r2 スコアは -0.0470788758558 でした。

次に、このアルファをモデルで直接試しました。次のコードをループで実行しました。

X_train, X_test, y_train, y_test = train_test_split(self.X, self.Y, train_size=0.7)
lasso = Lasso(alpha=0.001487)
lasso.fit(X_train, y_train)
print lasso.score(X_test, y_test)

ランダムな状態を設定していないことに注意してください。したがって、クロス検証として機能するはずです。しかし、コードを何回実行しても、ここで得たスコアは約 0.11 (0.11-0.12) です。

質問

スコア -0.0470788758558 と 0.11 が 2 つのアプローチで大きく異なるのはなぜですか?

4

1 に答える 1

0

理由がわかりました。

cv は次のように設定する必要があります。

cv = ShuffleSplit(n=len(X), n_iter=10, test_size=.3)

cv が整数に等しい場合、反復回数ではなく、各反復で折り畳みがいくつあるかを意味します。

于 2016-09-11T16:13:43.837 に答える