Tag: GRID-SEARCH
Estoy intentando crear un modelo KNN con GridSearchCV, pero estoy obteniendo un error relacionado con el parámetro “classifier_leaf_size” no válido para el estimador KNeighborsClassifier(). Verifica la lista de parámetros disponibles con estimator.get_params().keys(). knn = KNeighborsClassifier() knn.fit(x_train, y_train) y_pred = knn.predict(x_test) scores = cross_val_score(knn, x_train, y_train, scoring=’accuracy’, cv=cv, n_jobs=-1) print(‘Precisión de . . . Read more
Estoy intentando realizar una búsqueda de rejilla en Scikit-learn para un algoritmo específico con diferentes hiperparámetros sobre múltiples conjuntos de datos de entrenamiento almacenados en un diccionario dedicado. Primero, llamo a los diferentes hiperparámetros y al modelo que se va a utilizar: from sklearn.model_selection import GridSearchCV scoring = [‘accuracy’, ‘balanced_accuracy’, . . . Read more
Estoy tratando de hacer una GridSearch para encontrar los mejores parámetros, así: def MultiPerceptron(optimizer=’adam’, loss=’binary_cross_entropy’, kernel_initializer=’random_uniform’, activation=’relu’, units=16): model = Sequential() model.add(InputLayer(30)) model.add(Dense(units=units, activation=activation, kernel_initializer=kernel_initializer)) model.add(Dense(units=units, activation=activation, kernel_initializer=kernel_initializer)) model.add(Dense(units=1, activation=’sigmoid’)) model.compile(optimizer=optimizer, loss=loss, metrics=[‘binary_accuracy’]) return model classifier = KerasClassifier(build_fn=MultiPerceptron, validation_split=0.1, validation_batch_size=50) param = {‘batch_size’: [10, 30], ‘epochs’: [50, 100], ‘optimizer’: [‘adam’, . . . Read more
Estoy intentando hacer una clasificación para un análisis de churn con big data. El método RandomizedSearchCV está tomando al menos 6 horas y necesito encontrar una manera de reducir su tiempo. De la biblioteca sklearn.model_selection importo RandomizedSearchCV. Defino las variables n_estimators, max_features y max_depth. random_grid es un diccionario que contiene . . . Read more
Estoy utilizando RandomForestSRC para crear un modelo de bosques aleatorios usando regresión, y quiero realizar una gridsearch en mtry óptimo, nodesize, ntrees, nodedepth en combinación para visualizar mejor el proceso de optimización. He intentado lo siguiente: mtry <- c(4,8,16) nodesize <- c(50,150,300) ntrees <- c(500,1000,2000) nodedepth <- c(5,10) frmodel <- . . . Read more