Поиск по сетке для SVC: IndexError: слишком много индексов для массива

Я пытаюсь использовать GridSearchCV, чтобы найти лучшие параметры для SVC.

from sklearn.svm import SVC
from sklearn import svm, grid_search
from sklearn.model_selection import GridSearchCV

param_grid = [
        {'C': [1,5,10,100]},
        ]
algo = SVC(kernel = "poly",  degree=5, coef0=2)
grid_search = GridSearchCV(algo, param_grid, cv=3, scoring='neg_mean_squared_error')
grid_search.fit(X_train, y_train)
print(grid_search.best_params_) #line 162

Я получаю следующую ошибку:

  File "main.py", line 162, in <module>
  IndexError: too many indices for array

Когда я не использую GridSearchCV, это работает:

from sklearn.svm import SVC
from sklearn import svm, grid_search
from sklearn.model_selection import GridSearchCV

algo = SVC(kernel = "poly", C=1, degree=5, coef0=2)
algo.fit(X_train, y_train)
predict_test = algo.predict(X_test)
mse = mean_squared_error(y_test, predict_test)
rmse = np.sqrt(mse)
print(rmse)

Я получаю балл.

Каков результат y_train.shape?

sentence 30.05.2019 19:52

Вывод y_train.shape (892, 1), а вывод X_train.shape (892, 14)

Yagel 30.05.2019 23:47

Используйте y_train = y_train.reshape(892,) перед grid_search.fit(X_train, y_train). Какая-то ошибка сейчас?

sentence 31.05.2019 00:11

Да!! Спасибо! В чем была проблема? почему (892,) допустимо (без другого атрибута), а (892,1) нет?

Yagel 31.05.2019 18:03
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
4
110
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

GridSearchCV.fit() принимает целевые значения в виде массива y формы [n_samples] или [n_samples, n_output].

В вашем случае (892,). Поэтому измените форму y_train:

y_train = y_train.reshape(892,)

Другие вопросы по теме