python - 使用 **kwargs (Scikit Learn) 设置 n_estimators 参数

Question

我正在尝试关注 this学习基于机器学习的预测的教程，但我有两个问题？

问题 1。如何在下面的代码中设置n_estimators，否则它将始终采用默认值。

from sklearn.cross_validation import KFold

def run_cv(X,y,clf_class,**kwargs):
# Construct a kfolds object
kf = KFold(len(y),n_folds=5,shuffle=True)
y_pred = y.copy()

# Iterate through folds
for train_index, test_index in kf:
    X_train, X_test = X[train_index], X[test_index]
    y_train = y[train_index]
    # Initialize a classifier with key word arguments
    clf = clf_class(**kwargs)
    clf.fit(X_train,y_train)
    y_pred[test_index] = clf.predict(X_test)
return y_pred

它被称为:

从 sklearn.svm 导入 SVC 打印 "%.3f"% accuracy(y, run_cv(X,y,SVC))

问题 2:如何使用已经训练好的模型文件(例如从 SVM 获得)以便我可以使用它来预测更多我没有用于训练的(测试)数据？

Answer 1

对于您的第一个问题，在上面的代码中您将调用 run_cv(X,y,SVC,n_classifiers=100)，**kwargs 会将其传递给分类器初始化器，步骤为 clf = clf_class(**kwargs)。

对于您的第二个问题，您链接的代码中的交叉验证仅用于模型评估，即比较不同类型的模型和超参数，并确定您的模型在生产中的可能有效性。确定模型后，您需要在整个数据集上重新拟合模型:

clf.fit(X,y)

然后您可以使用 clf.predict 或 clf.predict_proba 进行预测。