GridsearchCV 为 BIRCH 找到最佳参数答案

【问题标题】：GridsearchCV to find the optimum parameter for BIRCHGridsearchCV 为 BIRCH 找到最佳参数
【发布时间】：2017-12-15 06:03:55
【问题描述】：

我正在使用 gridsearchCV 来寻找 BIRCH 的最佳参数，我的代码是：

RAND_STATE=50  # for reproducibility and consistency
folds=3
k_fold = KFold(n_splits=folds, shuffle=True, random_state=RAND_STATE)

hyperparams = { "branching_factor": [50,100,200,300,400,500,600,700,800,900],
                "n_clusters": [5,7,9,11,13,17,21],
                "threshold": [0.2,0.3,0.4,0.5,0.6,0.7]}
birch = Birch()

def sil_score(ndata):
    labels = ensemble.predict(ndata)
    score = silhouette_score(ndata, labels)
    return score

sil_scorer = make_scorer(sil_score)

ensemble = GridSearchCV(estimator=birch,param_grid=hyperparams,scoring=sil_scorer,cv=k_fold,verbose=10,n_jobs=-1)

ensemble.fit(x)
print ensemble
best_parameters = ensemble.best_params_
print best_parameters
best_score = ensemble.best_score_
print best_score

但是输出给了我一个错误：

当我已经在 sil_score 函数中说明了评分所需的参数时，我很困惑为什么分数值正在寻找 4 个参数。

【问题讨论】：

标签： python validation optimization scikit-learn cluster-analysis

【解决方案1】：

您的评分函数不正确。语法应该是sil_score(y_true,y_pred)，其中 y_true 是真实标签，y_pred 是预测标签。此外，您无需使用评分函数中的集成对象单独预测标签。同样在您的情况下，直接使用silhouette_score 作为评分函数更有意义，因为您正在调用您的集合来预测评分函数中的标签，这根本不需要。只需将silhouette_score 作为评分函数传递，GridSearchCV 将自行负责预测评分。

Here is an example如果你想看看它是如何工作的。

【讨论】：