Tune-sklearn尝试

Tune-sklearn的小麻烦

该文是我在实际运用时产生的问题,可能不具有一般性。本人水平有限,请大家指教。

报错

在使用TuneGridSearchCV对RandomForestClassifier进行超参数调优,报错:

This TuneGridSearchCV instance is not fitted yet.

代码

param_grid={
	'n_estimators':[100,200,300],
	'max_depth':range(5,30,5),
	'min_samples_split':[2,5,10,15],
	'min_samples_leaf':[1,2,5,10,15],
	'max_features':['log2','sqrt']
}
forest_clf=RandomForestClassifier(random_state=42)
grid_search=TuneGridSearchCV(forest_clf,param_grid,cv=5,scoring='accuracy',use_gpu=True)
grid_search.fit(X_train,y_train)
grid_search.score(X_test,y_test)

摸索出的方法
1.删除use_gpu参数,具体原因,或者因为配置问题,我还不了解
2.Tune默认n_jobs=-1,我的代码运行过程中出现内存溢出的情况,故我改成了总CPU核心数-2.

tune.sklearn是一个用于超参数调整的Python库,它是Scikit-Learn模型选择模块(如GridSearchCV和RandomizedSearchCV)的替代品,并提供了先进的超参数调整技术。该库具有与Scikit-Learn API一致的接口,可以轻松地集成到Scikit-Learn工作流中。通过使用tune.sklearn,可以自动搜索最佳的超参数组合来优化机器学习模型的性能。 你可以参考Scikit-Learn的模型评估文档了解更多关于超参数调整的详细信息。此外,你还可以查看tune.sklearn的官方文档,了解更多关于该库的功能和使用方法。 另外,如果你想使用Ray Tune库进行超参数搜索,你可以使用Ray Tune Searcher实例来替代字符串参数。这样可以进一步提高超参数搜索的效率和灵活性。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Scikit-Learn API (tune.sklearn) — Ray v2.0.0.dev0](https://blog.csdn.net/weixin_36474829/article/details/117944463)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [tune-sklearn:Scikit-Learn的GridSearchCV RandomizedSearchCV的直接替代品-但具有最先进的超参数调整技术](https://download.csdn.net/download/weixin_42143161/14996070)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值