我試圖利用scikit-learn的make_pipeline()以及GridSearchCV()。 這個管道很簡單，只包括兩個步驟，一個StandardScaler()和一個MLPRegressor()。GridSearchCV()也很簡單，但我使用了TimeSeriesSplit()來進行交叉驗證。

我得到的錯誤如下：

ValueError。估算器的引數MLPRegressor無效 Pipeline(step=[('standardcaler', StandardScaler()), ('mlpregressor', MLPRegressor()])。用 estimator.get_params().keys()檢查可用的引數串列。

誰能幫助我們了解一下可用的引數串列？

誰能幫助我理解如何糾正這個問題，以便我可以使用make_pipeline()框架，同時使用GridSearchCV()和MLPRegressor()。

from sklearn.neural_network import MLPRegressor
   ...: from sklearn.preprocessing import StandardScaler
   ...: from sklearn.model_selection import TimeSeriesSplit, GridSearchCV
   ...: from sklearn.pipeline import make_pipeline
   ...: import numpy as np

在 [2]: tscv = TimeSeriesSplit(n_splits = 5)

在 [3]: pipe = make_pipeline(StandardScaler(), MLPRegressor() )

在 [4]: param_grid = {'MLPRegressor__hidden_layer_sizes': [(16,16,), (64,64, ), (
   ...: 128,128,)], 'MLPRegressor__activation'/span>。['identity'/span>, 'logistic'/span>, 'tanh'/span>,
   ...:  'relu'],'MLPRegressor__solver': ['adam','sgd']}。

在 [5]: grid = GridSearchCV(pipe, param_grid = param_grid, cv = tscv)
在[6]: features = np.random.random([1000,10] )

在[7]: target = np.random.normal(0,10,1000)

在[8]: grid.fit(features, target)
---------------------------------------------------------------------------
ValueError 回溯（最近的一次呼叫）。
<ipython-input-8-7233f9f2005e> in < module>
----> 1 grid.fit(features, target)

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/utils/validation.py in inner_f(*args, **kwargs)
     61 extra_args = len(args) - len(all_args)
     62 if extra_args <= 0:
---> 63 return f(*args, **kwargs)
     64
     65 # extra_args > 0

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/model_selection/_search.py in fit（self, X, y, groups, **fit_params）。
    839 return result
    840 return結果
--> 841 self._run_search(evaluated_candidates)
    842
    843 # multimetric在這里被確定，因為在可呼叫的情況下

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/model_selection/_search.py in _run_search(self, evaluate_candidates)
   1294 def _run_search（self, evaluate_candidates）。
   1295 ""Search all candidates in param_grid""
-> 1296 evaluate_candidates(ParameterGrid(self.param_grid) )
   1297
   1298

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/model_selection/_search.py in evaluate_candidates( candidate_params, cv, more_results)
    793 n_splits, n_candidates, n_candidates* n_splits))
    794
--> 795 out = parallel(delayed(_fit_and_score)(clone(base_estimator),
    796 X, y,
    797 train=train, test=test,

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/parallel.py in __call__（self, iterable）。
   1039 #剩余作業。
   1040 self._iterating = False.
-> 1041 if self.dispatch_one_batch（iterator）。
   1042 self._iterating = self._original_iterator is not None
   1043

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/parallel.py in dispatch_one_batch（self, iterator）。
    857 return False
    858 else:
--> 859 self._dispatch(tasks)
    860 return True
    861

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/parallel.py in _dispatch（self, batch）。
    775 with self._lock:
    776 job_idx = len(self._jobs)
--> 777 job = self._backend.apply_async(batch, callback=cb)
    778 # 一個作業可以比它的回呼快完成。
    779 # 在我們到達這里之前被呼叫，導致self._jobs

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/_parallel_backends.py in apply_async（self, func, callback）。
    206 def apply_async(self, func, callback=None) 。
    207 ""Schedule a func to be run"".
--> 208 result = ImmediateResult(func)
    209 if callback:
    210 callback(result)

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/_parallel_backends.py in __init__（self, batch）。
    570 # 不要延遲應用，以避免保留輸入。
    571 # argument in memory
--> 572 self.results = batch()
    573
    574 def get（self）。

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/parallel.py in __call__(self)
    260 # 更改默認的行程數為-1。
    261 with parallel_backend(self._backend, n_jobs=self._n_jobs):
--> 262 return [func(*args, **kwargs)
    263 for func, args, kwargs in self.items ]
    264

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/joblib/parallel.py in <listcomp>(.0)
    260 # 更改默認的行程數為-1。
    261 with parallel_backend(self._backend, n_jobs=self._n_jobs):
--> 262 return [func(*args, **kwargs)
    263 for func, args, kwargs in self.items ]
    264

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/utils/fixes.py in __call__(self, *args, **kwargs)
    220 def __call__（self, *args, **kwargs）。
    221 with config_context（**self.config）。
--> 222 return self.function(*args, **kwargs)

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/model_selection/_validation. py in _fit_and_score(estimator, X, y, scorer, train, test, verbose, parameters, fit_params, return_train_score, return_parameters, return_n_test_samples, return_times, return_estimator, split_progress, candidate_progress, error_score)
    584 cloned_parameters[k] = clone(v, safe=False)
    585。
--> 586 estimator = estimator.set_params(**cloned_parameters)
    587
    588 start_time = time.time()

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/pipeline.py in set_params(self, **kwargs)
    148 self
    149 ""
--> 150 self._set_params('steps', **kwargs)
    151 回傳自我
    152

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/utils/metaestimators.py in _set_params(self, attr, **params)
     52 self._replace_estimator(attr, name, params.pop(name))
     53 # 3. 步驟引數和其他初始化引數
--> 54 super().set_params(**params)
     55 回傳自我
     56

~/opt/miniconda3/envs/practice/lib/python3.9/site-packages/sklearn/base.py in set_params(self, **params)
    228 key, delim, sub_key = key.partition('__')
    229 如果key不在valid_params中。
--> 230 raise ValueError('Invalid parameter %s for estimator %s. '
    231 '檢查可用引數的串列'
    232 '用`estimator.get_params().keys()`。%

ValueError: 估算器的引數MLPRegressor無效 Pipeline(step=[('standardcaler', StandardScaler()),
                ('mlpregressor', MLPRegressor()])。用`estimator.get_params().keys()`檢查可用引數的串列。

uj5u.com熱心網友回復：

解決方法

是的。首先制作管道。然后將管道作為你的模型，并將其傳遞給 GridSearchCV。

你的問題出在下面一行（你把它標錯了）：

修復：

• 用于MLPRegressor估計器的管道named_step在param_grid中被誤標為MLPRegressor__。
• 將其改為mlpregressor__后，問題得以解決。

你可以在這個colab筆記本中運行和檢查它。

# INCORRECT
param_grid = {
    'MLPRegressor__hidden_layer_sizes': [(16, 16,), (64, 64,), (128, 128,)] 。
    'MLPRegressor__activation': ['ident', 'logistic', 'tanh', 'relu']。
    'MLPRegressor__solver'/span>: ['adam', 'sgd'],
}

# CORRECTED
param_grid = {
    'mlpregressor__hidden_layer_sizes': [(16, 16,), (64, 64,), (128, 128,)] 。
    'mlpregressor__activation': ['identity', 'logistic', 'tanh', 'relu'],
    'mlpregressor__solver'/span>: ['adam'/span>, 'sgd'/span>],
}

注意事項

ValueError: 無效引數MLPRegressor for estimator Pipeline(steps=[('standardcaler', StandardScaler())。
                ('mlpregressor', MLPRegressor()])。用`estimator.get_params().keys()`檢查可用引數的串列。

標籤：

上一篇：【C語言】??自定義型別（結構體+位段+列舉+聯合體）【建議收藏】

下一篇：資料庫優化之SQL陳述句優化技巧