sklearn GridSearchCV mit Pipeline

Question

Ich bin neu zu sklearn 's Pipeline und GridSearchCV Funktionen. Ich versuche eine Pipeline zu erstellen, die zuerst RandomizedPCA auf meine Trainingsdaten anwendet und dann ein Ridge-Regressionsmodell anpasst. Hier ist mein Code:

pca = RandomizedPCA(1000, whiten=True) 
rgn = Ridge() 

pca_ridge = Pipeline([('pca', pca), 
         ('ridge', rgn)]) 

parameters = {'ridge__alpha': 10 ** np.linspace(-5, -2, 3)} 

grid_search = GridSearchCV(pca_ridge, parameters, cv=2, n_jobs=1, scoring='mean_squared_error') 
grid_search.fit(train_x, train_y[:, 1:]) 

Ich weiß um die RidgeCV Funktion, aber ich möchte versuchen, Pipeline und Gridsearch CV.

Ich möchte die Grid-Suche Lebenslauf RMSE Fehler melden, aber dies scheint nicht in sklearn unterstützt, so dass ich mit MSE behelfen. Allerdings sind die Partituren es resports negativ:

In [41]: grid_search.grid_scores_ 
Out[41]: 
[mean: -0.02665, std: 0.00007, params: {'ridge__alpha': 1.0000000000000001e-05}, 
mean: -0.02658, std: 0.00009, params: {'ridge__alpha': 0.031622776601683791}, 
mean: -0.02626, std: 0.00008, params: {'ridge__alpha': 100.0}] 

Offensichtlich ist dies nicht möglich, für die mittlere quadratische Fehler - was mache ich falsch hier?

Answer 1

Diese Punktzahlen sind negative MSE-Werte, d. H. Negieren sie und Sie erhalten die MSE. Die Sache ist, dass GridSearchCV, per Konvention, versucht immer zu maximieren seine Punktzahl, so dass Verlustfunktionen wie MSE negiert werden müssen.