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

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

sklearn学习笔记之简单线性回归

第九节,线性逻辑回归

线性回归-误差,似然函数

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

如何用matlab线性回归分析?