它是能够使用MultiOutputRegressor与不同的超参数的每个输出?

0

的问题

我需要一个 scikit-learn 复合材料估计为矢量的目标,但我需要确定不同的超参数的每个目标。

我的第一反应是定义 MultiOutputRegressor 假的估计,那么写的 estimators_ 属性与所需的回归量,但是这并不能作为唯一的基估计定义的建设;它随后被复制在合适的。

我需要写我自己元估计类,或者是有更好的解决方案我不在想什么?

machine-learning python scikit-learn
2021-11-23 17:06:10
1

最好的答案

1

这是 回答场 的博士*勒梅特-没有预填充方案存在定义多种不同的回归量成一个单一的多出回归,而是一个体面的工作围绕的是利用一个的-CV家庭的回归量如 ElasticNetCV 作为一个基本估计。 这将允许不同的超参数用于每个产出中,假定的参数可以体面地调在每个实例的 fit.

2021-11-25 16:29:44

其他语言

此页面有其他语言版本

Русский
..................................................................................................................
Italiano
..................................................................................................................
Polski
..................................................................................................................
Română
..................................................................................................................
한국어
..................................................................................................................
हिन्दी
..................................................................................................................
Français
..................................................................................................................
Türk
..................................................................................................................
Česk
..................................................................................................................
Português
..................................................................................................................
ไทย
..................................................................................................................
Español
..................................................................................................................
Slovenský
..................................................................................................................