python-TypeError网格搜索

我曾经创建循环来为模型找到最佳参数,这增加了我的编码错误,因此我决定使用GridSearchCV.
我正在尝试为我的模型找出PCA的最佳参数(我要在其上进行网格搜索的唯一参数).
在此模型中,归一化后,我想将原始特征与PCA简化特征结合起来,然后应用线性SVM.
然后,我保存整个模型以预测我的输入.
我在尝试拟合数据的行中出现错误,因此可以使用best_estimator_和best_params_函数.
错误显示：TypeError：score函数应该是可调用的,所有(< type'str'>)类型都已传递.我没有使用任何可能需要在GridSearchCV中提供字符串的参数,所以不确定为什么会出现此错误
我还想知道在保存模型之前,行print(“ model after model”,X.shape)是否应该基于所有可能的参数同时打印(150,7)和(150,5)？

from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import StandardScaler
from sklearn.externals import joblib
from numpy import array

iris = load_iris()
X, y = iris.data, iris.target

print(X.shape) #prints (150, 4)
print (y)

#cretae models and piplline them
combined_features = FeatureUnion([("pca", PCA()), ("univ_select", SelectKBest(k='all'))])
svm = SVC(kernel="linear")

pipeline = Pipeline([("scale", StandardScaler()),("features", combined_features), ("svm", svm)])

# Do grid search over n_components:
param_grid = dict(features__pca__n_components=[1,3])

grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=5, verbose=10)
grid_search.fit(X, y)
print("best parameters", grid_search.best_params_)

print("shape after model",X.shape) #should this print (150, 7) or (150, 5) based on best parameter?

#save the model
joblib.dump(grid_search.best_estimator_, 'model.pkl', compress = 1)

#new data to predict
Input=[ 2.9 , 4.  ,1.2  ,0.2]
Input= array(Input)

#use the saved model to predict the new data
modeltrain="model.pkl"
modeltrain_saved = joblib.load(modeltrain) 
model_predictions = modeltrain_saved.predict(Input.reshape(1, -1))
print(model_predictions)

我根据答案更新了代码

解决方法:

您在SelectKBest中提供“所有”作为参数.但是根据documentation,如果要传递“全部”,则需要将其指定为：

SelectKBest(k='all')

原因是它是一个关键字参数,应该用关键字指定.因为SelectKBest的第一个参数是评分功能的位置参数.因此,当您不指定参数时,“全部”被认为是函数的输入,因此是错误.

更新：

现在,关于形状,原始X将不会更改.因此它将打印(150,4).数据将即时更改,在我的电脑上,best_param_为n_components = 1,因此,最终的svm形状为(150,5),PCA为1,SelectKBest为4.

标签：pca,grid-search,python,scikit-learn,svm
来源： https://codeday.me/bug/20191013/1911478.html