Ich vermute, das Problem liegt in Ihrer Datenstruktur train.data/label.data. Ich habe beide Versionen des Codes getestet und sie funktionieren:
import sklearn.svm as sksvm
import sklearn.grid_search as skgs
params = { 'C' : [ 0.01 , 0.1 , 1 , 10]}
X = np.random.rand(1000, 10) # (1000 x 10) matrix, 1000 points with 10 features
Y = np.random.randint(0, 2, 1000) # 1000 array, binary labels
mod = sksvm.SVC()
mod.fit(X, Y)
Ausgang:
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)
und
import sklearn.svm as sksvm
import sklearn.grid_search as skgs
params = { 'C' : [ 0.01 , 0.1 , 1 , 10]}
X = np.random.rand(1000, 10) # (1000 x 10) matrix, 1000 points with 10 features
Y = np.random.randint(0, 2, 1000) # 1000 array, binary labels
mod = skgs.GridSearchCV(sksvm.SVC(), params, n_jobs=-1)
mod.fit(X, Y)
Ausgang:
GridSearchCV(cv=None, error_score='raise',
estimator=SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False),
fit_params={}, iid=True, loss_func=None, n_jobs=-1,
param_grid={'C': [0.01, 0.1, 1, 10]}, pre_dispatch='2*n_jobs',
refit=True, score_func=None, scoring=None, verbose=0)
Wenn Ihre Daten in Datenrahmen und Serie der Code funktioniert immer noch Sie können es versuchen, durch Zugabe von:
X = pd.DataFrame(X)
Y = pd.Series(Y)
, nachdem Sie X und Y. erzeugen
Schwierig allerdings ohne reproduzierbar Stück Code zu sagen. Sie sollten wahrscheinlich auch die Bezeichnung sklearn zu der Frage hinzufügen.
Wie ist das eine Pandas Frage? Scheint mehr wie SciPy zu mir ... Bedenke auch ein komplettes überprüfbares und reproduzierbares Beispiel. Was bedeutet, geben Sie eine kleine Probe Ihrer Daten, um die Antworten auf ... – Kartik
@Kartik Ich habe es bearbeitet, –