GridSearchCV 和 ValueError：估计器管道的参数 alpha 无效

Posted 2023-03-12

【中文标题】GridSearchCV 和 ValueError：估计器管道的参数 alpha 无效

【英文标题】：GridSearchCV and ValueError: Invalid parameter alpha for estimator Pipeline

【发布时间】：2020-08-11 04:15:18

【问题描述】：

我想将StandardScaler 与GridSearchCV 一起使用，并为Ridge 回归模型找到最佳参数。

但我收到以下错误：

raise ValueError('估计器 %s 的参数 %s 无效。' ValueError：估计器管道的参数 alpha 无效（内存 = 无， steps=[('standardscaler', StandardScaler(copy=True, with_mean=True, with_std=True)),('ridge', Ridge(alpha=1.0, copy_X=True, fit_intercept=True, max_iter=None, normalize=False ，随机状态=无， 求解器='auto'，tol=0.001))]，详细=假）。使用 estimator.get_params().keys() 检查可用参数列表

谁能帮帮我？

import  numpy   as   np; import  pandas  as   pd; import  matplotlib.pyplot  as  plt;
import  plotly.express   as  px
from sklearn.linear_model import LinearRegression, Ridge,Lasso, ElasticNet
from sklearn.model_selection import cross_val_score,GridSearchCV, train_test_split
from sklearn.metrics import mean_squared_error
x_data=pd.read_excel('Input-15.xlsx')
y_data=pd.read_excel('Output-15.xlsx')
X_train, X_test,Y_train,Y_test=train_test_split(x_data,y_data,test_size=0.2,random_state=42)
###########    Ridge regression model     ########### 
rige=Ridge(normalize=True)
rige.fit(X_train,Y_train["Acc"]);rige.score(X_test,Y_test["Acc"])
score=format(rige.score(X_test,Y_test["Acc"]),'.4f')
print ('Ridge Reg Score with Normalization:',score)
from sklearn.pipeline import make_pipeline, Pipeline
from sklearn.preprocessing import StandardScaler
pip=make_pipeline(StandardScaler(),Ridge())
pip.fit(X_train,Y_train["Acc"])
score_pipe=format(pip.score(X_test,Y_test["Acc"]),'.4f')
print ('Standardized Ridge Score:',score_pipe)
######  performing the GridSearchCV /the value of α that maximizes the R2 ####
param_grid = 'alpha': np.logspace(-3,3,10)
grid = GridSearchCV(estimator=pip, param_grid=param_grid, cv=2,return_train_score=True)
grid.fit(X_train,Y_train["Acc"])### barayeh har khoroji  ********
best_score = float(format(grid.best_score_, '.4f'))
print('Best CV score: :.4f'.format(grid.best_score_))
print('Best parameter :',grid.best_params_)

【参考方案1】：

简短的回答是改变这一行：

param_grid = 'alpha': np.logspace(-3,3,10)

到：

param_grid = 'ridge__alpha': np.logspace(-3,3,10)

一般来说，GridSearchCV 中所有可用于调优的参数都可以通过estimator.get_params().keys() 获得

在你的情况下：

pip.get_params().keys()

dict_keys(['memory', 'steps', 'verbose', 'standardscaler', 'ridge',
 'standardscaler__copy', 'standardscaler__with_mean',
 'standardscaler__with_std', 'ridge__alpha', 'ridge__copy_X',
 'ridge__fit_intercept', 'ridge__max_iter', 'ridge__normalize',
 'ridge__random_state', 'ridge__solver', 'ridge__tol'])

附带说明，为什么不使用分号在新行开始所有新语句呢？相关代码的空间块？它将使您的代码更具可读性。