Scikit-learn Grid Suche mit SVM Regression

Question

Ich lerne Cross-Validierung-Grid-Suche und stieß auf diese youtube playlist und das Tutorial wurde auch auf die github als Ipython-Notebook hochgeladen. Ich versuche, die Codes in der Suche nach mehreren Parametern gleichzeitig Abschnitt zu erstellen, aber statt knn benutze ich SVM Regression. Dies ist mein Code

from sklearn.datasets import load_iris 
from sklearn import svm 
from sklearn.grid_search import GridSearchCV 
import matplotlib.pyplot as plt 
import numpy as np 
iris = load_iris() 
X = iris.data 
y = iris.target 

k=['rbf', 'linear','poly','sigmoid','precomputed'] 
c= range(1,100) 
g=np.arange(1e-4,1e-2,0.0001) 
g=g.tolist() 
param_grid=dict(kernel=k, C=c, gamma=g) 
print param_grid 
svr=svm.SVC() 
grid = GridSearchCV(svr, param_grid, cv=5,scoring='accuracy') 
grid.fit(X, y) 
print() 
print("Grid scores on development set:") 
print() 
print grid.grid_scores_ 
print("Best parameters set found on development set:") 
print() 
print(grid.best_params_) 
print("Grid best score:") 
print() 
print (grid.best_score_) 
# create a list of the mean scores only 
grid_mean_scores = [result.mean_validation_score for result in grid.grid_scores_] 
print grid_mean_scores 

Aber seine diesem Fehler geben

raise ValueError("X should be a square kernel matrix") ValueError: X should be a square kernel matrix

Answer 1

entfernen 'precomputed' aus dem Parameterraum.

kernel='precomputed' kann nur verwendet werden, wenn eine Datenmatrix (n_samples, n_samples) geben, die für die Proben anstelle der herkömmlichen (n_samples, n_features) rechteckigen Datenmatrix paarweise Ähnlichkeit darstellt.

finden Sie in der Dokumentation, um weitere Informationen über die Bedeutung des Kernel-Parameter:

• http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
• http://scikit-learn.org/stable/modules/svm.html#svm-kernels