TypeError：“__ensemble__”对象不可调用

Posted 2023-03-12

【中文标题】TypeError：“__ensemble__”对象不可调用

【英文标题】：TypeError: '__ensemble__' object is not callable

【发布时间】：2019-05-31 18:24:23

【问题描述】：

我不知道为什么它没有调用任何合奏。也许是一些参数混乱？

森林覆盖类型数据： X = (581012, 54)的形状 y = (581012, ) 的形状

from sklearn.ensemble import VotingClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn import model_selection

classifier_names = ["logistic regression", "linear SVM", "nearest centroids", "decision tree"]
classifiers = [LogisticRegression, LinearSVC, NearestCentroid, DecisionTreeClassifier]

ensemble1 = VotingClassifier(classifiers)
ensemble2 = BaggingClassifier(classifiers)
ensemble3 = AdaBoostClassifier(classifiers)
ensembles = [ensemble1, ensemble2, ensemble3]
seed = 7  

for ensemble in ensembles:
    kfold = model_selection.KFold(n_splits=10, random_state=seed)
    for classifier in classifiers:
        model = ensemble(base_estimator=classifier, random_state=seed)
        results = model_selection.cross_val_score(ensemble, X, Y, cv=kfold)
        print(results.mean())    

我希望为分类器运行集成，但第一个集成没有运行。我首先将订单更改为BaggingClassifier，但显示的错误与不可调用的相同。

【参考方案1】：

对于VotingClassifier，估计器应该是包含名称和模型的元组列表。 请注意，您已经创建了一个模型类，然后在元组中给出。

来自Documentation:

estimators ：（字符串，估计器）元组列表调用拟合 VotingClassifier 上的方法将适合那些原始的克隆 将存储在类属性中的估计器 self.estimators_。可以使用 set_params 将估算器设置为 None。

对于其他两个集成，您只能对同一基本模型的一个基本估计器和 n 个估计器提出问题。循环遍历不同的分类器，就像您编写代码一样，但您每次都重新定义了集成模型。

base_estimator：对象或无，可选（默认=无）基础 适合数据集的随机子集的估计器。如果没有，那么 基估计器是一棵决策树。

n_estimators : int, optional (default=10) 基数 集成中的估计器。

试试这个！

iris = datasets.load_iris()
X, y = iris.data[:, 1:3], iris.target

classifier_names = ["logistic regression","linear SVM","nearest centroids", "decision tree"]
classifiers = [LogisticRegression(), LinearSVC(), NearestCentroid(), DecisionTreeClassifier()]


ensemble1 = VotingClassifier([(n,c) for n,c in zip(classifier_names,classifiers)])
ensemble2 = BaggingClassifier(base_estimator= DecisionTreeClassifier() , n_estimators= 10)
ensemble3 = AdaBoostClassifier(base_estimator= DecisionTreeClassifier() , n_estimators= 10)
ensembles = [ensemble1,ensemble2,ensemble3]
seed = 7  

for ensemble in ensembles:
    kfold = model_selection.KFold(n_splits=10, random_state=seed)
    results = model_selection.cross_val_score(ensemble, X, y, cv=kfold)
    print(results.mean())    

【讨论】：

你的效果很好。我需要尝试组装分类器和集成（还添加了 RandomForest）...

听起来你想在 ensemble 之上创建一个 meta ensemble。希望您的'__ensemble__' object is not callable 问题得到解决。请接受该解决方案并开始一个新的解决方案，其中包含有关您的元集成模型的更多详细信息。

【参考方案2】：

from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier, BaggingClassifier, VotingClassifier
from sklearn import model_selection
import warnings 
warnings.filterwarnings("ignore") 

seed = 7 
classifier_names = ["logistic regression","linear SVM","nearest centroids", "decision tree"]
classifiers = [LogisticRegression, LinearSVC, NearestCentroid, DecisionTreeClassifier]
for classifier in classifiers:
    ensemble1 = RandomForestClassifier(estimator=classifier(), n_estimators= 20, random_state=seed)
    ensemble2 = AdaBoostClassifier(base_estimator=classifier(), 
                                   n_estimators= 5, learning_rate=1, random_state=seed)
    ensemble3 = BaggingClassifier(base_estimator=classifier(), 
                                  max_samples=0.5, n_estimators=20, random_state=seed)
    ensemble4 = VotingClassifier([(n,c) for n,c in zip(classifier_namess, classifiers)], voting="soft")
    ensembles = [ensemble1, ensemble2, ensemble3, ensemble4]

for ensemble in ensembles:
    kfold = model_selection.KFold(n_splits=10, random_state=seed)
    results = model_selection.cross_val_score(ensemble, X[1:100], y[1:100], cv=kfold)
    print("The mean accuracy of :".format(results.mean()))    

【讨论】：

ensembles = [ensemble1, ensemble2, ensemble3, ensemble4]。这将在循环的每次迭代中被覆盖

备受瞩目。我无法在分类 for 循环中获得合奏，所以我只是单独完成它们。 RFC 也没有采用分类器。

RFC 的估算器是决策树，因此它不能将任何估算器作为输入。 scikit-learn.org/stable/modules/generated/…