使用 .set_params() 函数进行线性回归
Posted
技术标签:
【中文标题】使用 .set_params() 函数进行线性回归【英文标题】:Using .set_params() function for LinearRegression 【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】:
【参考方案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】:
【参考方案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】:
以上是关于使用 .set_params() 函数进行线性回归的主要内容,如果未能解决你的问题,请参考以下文章
用SPSS进行非线性回归分析,结果却总显示迭代0次就达到最优解,初始值就是模拟结果,请教高手不知为何?
R语言使用pwr包的pwr.f2.test函数对线性回归模型(Linear models)进行效用分析(power analysis)的语法