TypeError：__init__() 为参数“n_splits”获得了多个值答案

【问题标题】：TypeError: __init__() got multiple values for argument 'n_splits'TypeError：__init__() 为参数“n_splits”获得了多个值
【发布时间】：2019-07-05 11:35:36
【问题描述】：

我正在使用 SKLearn 版本 (0.20.2)，如下：

from sklearn.model_selection import StratifiedKFold


grid = GridSearchCV(
    pipeline,  # pipeline from above
    params,  # parameters to tune via cross validation
    refit=True,  # fit using all available data at the end, on the best found param combination
    scoring='accuracy',  # what score are we optimizing?
    cv=StratifiedKFold(label_train, n_splits=5),  # what type of cross validation to use
)

但我不明白为什么我会收到这个错误：

TypeError                                 Traceback (most recent call last)
<ipython-input-26-03a56044cb82> in <module>()
     10     refit=True,  # fit using all available data at the end, on the best found param combination
     11     scoring='accuracy',  # what score are we optimizing?
---> 12     cv=StratifiedKFold(label_train, n_splits=5),  # what type of cross validation to use
     13 )

TypeError: __init__() got multiple values for argument 'n_splits'

我已经尝试过n_fold，但出现了相同的错误结果。并且也厌倦了更新我的 scikit 版本和我的 conda。有什么办法解决这个问题吗？非常感谢！

【问题讨论】：

删除label_train; first 参数被命名为n_splits。

标签： python scikit-learn

【解决方案1】：

StratifiedKFold 在初始化时正好有 3 个参数，它们都不是训练数据：

StratifiedKFold(n_splits=’warn’, shuffle=False, random_state=None)

所以当你调用StratifiedKFold(label_train, n_splits=5) 时，它认为你通过了n_splits 两次。

相反，创建对象，然后使用 sklearn 文档页面上示例中描述的方法来使用对象拆分数据：

get_n_splits([X, y, groups]) 返回分割数交叉验证器中的迭代 split(X, y[, groups]) 生成将数据拆分为训练集和测试集的索引。

【讨论】：

【解决方案2】：

StratifiedKFold 接受三个参数，但您传递了两个参数。在 sklearn 中查看更多信息documentation

创建 StratifiedKFold 对象并将其传递给 GridSearchCV，如下所示。

skf = StratifiedKFold(n_splits=5)
skf.get_n_splits(X_train, Y_train)

grid = GridSearchCV(
pipeline,  # pipeline from above
params,  # parameters to tune via cross validation
refit=True,  # fit using all available data at the end, on the best found param combination
scoring='accuracy',  # what score are we optimizing?
cv=skf,  # what type of cross validation to use
)

【讨论】：