Sklearn, gridsearch: comment faire pour imprimer les progrès réalisés au cours de l'exécution?

Je suis en utilisant GridSearch de sklearn d'optimiser les paramètres du classifieur. Il y a beaucoup de données, de sorte que le processus d'optimisation prend du temps: plus d'une journée. Je voudrais regarder la performance de la déjà essayé des combinaisons de paramètres lors de l'exécution. Est-il possible?

  • Comment essayer sur moins de données pour obtenir une sensation pour le droit de la plage du paramètre en plus courts cycles de l'évaluation. Et puis savoir si votre choix de paramètres sur un ensemble réduit correctement à l'échelle. Cela dépend de votre estimateur, dont vous n'êtes pas en nous désignant.
  • Qui sonne raisonnable, merci. J'utilise un wrapper autour de Vowpal Wabbit.
  • Downvote: La docstring dit clairement que "verbose" vous donnera.
  • Andreas, verbose : entier Contrôle le niveau de verbosité: le plus, le plus de messages. Il ne le dit pas clairement.
InformationsquelleAutor doubts | 2014-06-09
  1. 59

    Définir la verbose paramètre dans GridSearchCV à un nombre positif (plus le nombre le plus de détails vous obtiendrez). Par exemple:

    GridSearchCV(clf, param_grid, cv=cv, scoring='accuracy', verbose=10)
    • Juste pour ajouter: si vous utilisez IPython Notebook, la sortie est dans le IPython fenêtre de terminal, pas dans la session interactive.
    InformationsquelleAutor DavidS
  2. 5

    Check this out:

    https://pactools.github.io/auto_examples/plot_grid_search.html?highlight=gridsearchcvprogressbar

    Viens de trouver à l'instant et je suis à l'utiliser. Très en elle:

    In [1]: GridSearchCVProgressBar
Out[1]: pactools.grid_search.GridSearchCVProgressBar
In [2]:
In [2]: ??GridSearchCVProgressBar
Init signature: GridSearchCVProgressBar(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise', return_train_score='warn')
Source:
class GridSearchCVProgressBar(model_selection.GridSearchCV):
"""Monkey patch Parallel to have a progress bar during grid search"""
def _get_param_iterator(self):
"""Return ParameterGrid instance for the given param_grid"""
iterator = super(GridSearchCVProgressBar, self)._get_param_iterator()
iterator = list(iterator)
n_candidates = len(iterator)
cv = model_selection._split.check_cv(self.cv, None)
n_splits = getattr(cv, 'n_splits', 3)
max_value = n_candidates * n_splits
class ParallelProgressBar(Parallel):
def __call__(self, iterable):
bar = ProgressBar(max_value=max_value, title='GridSearchCV')
iterable = bar(iterable)
return super(ParallelProgressBar, self).__call__(iterable)
# Monkey patch
model_selection._search.Parallel = ParallelProgressBar
return iterator
File:           ~/anaconda/envs/python3/lib/python3.6/site-packages/pactools/grid_search.py
Type:           ABCMeta
In [3]: ?GridSearchCVProgressBar
Init signature: GridSearchCVProgressBar(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise', return_train_score='warn')
Docstring:      Monkey patch Parallel to have a progress bar during grid search
File:           ~/anaconda/envs/python3/lib/python3.6/site-packages/pactools/grid_search.py
Type:           ABCMeta
    • Ce sera seulement de les imprimer pour les mst.se tromper et de ne pas apparaître dans Spyder ou la iPython Notebook
    InformationsquelleAutor O.rka