Wie benutze ich gridSearch CV mit scipy?

Question

Ich habe versucht, meine SVM mit Gridsearchcv tunen, aber es wirft Fehler.

mein Code:

train = pd.read_csv('train_set.csv') 
label = pd.read.csv('lebel.csv') 

params = { 'C' : [ 0.01 , 0.1 , 1 , 10] 
clf = GridSearchCV(SVC() , params , n_jobs = -1) 
clf.fit(train , label) 

den Fehler wirft: 'zu viel Indizes für Array'

aber wenn ich einfach tun:

clf = svc() 
clf.fit(train.data , label.data) 

der Code funktioniert gut

Answer 1

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.