使用sklearn SVC调优时报TypeError: an integer is required错误如何解决？

报错的核心是参数传值错误，你把需要传入整数的degree参数传入了字符串类型值：

• 你定义的rng_ga = ['auto', 'scale']是gamma参数的候选值，但你在循环中将其赋值给了SVC的degree参数
• degree是多项式核（poly）的专用参数，要求必须是正整数，传入字符串自然触发需要整数的类型错误
• 额外逻辑问题：你定义的rng_degree=np.arange(2,5)完全没有用到，参数对应关系完全混乱

方案1：修改原生嵌套循环 #

调整参数对应关系，同时可以优化仅在kernel为poly时遍历degree，减少无效计算：

import numpy as np
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

krn= ['linear', 'poly', 'rbf', 'sigmoid']
rng_C = np.arange(1,101,20)
rng_degree=np.arange(2,5) # 仅poly核生效
rng_gamma= ['auto', 'scale'] # gamma参数候选
best_score=0

for i in krn:
    for j in rng_C:
        for k in rng_gamma:
            # 仅poly核需要遍历degree参数，其他核随便填默认值不生效
            degree_list = rng_degree if i == 'poly' else [3]
            for deg in degree_list:
                SVModel=SVC(kernel=i, C=j, degree=deg, gamma=k)
                SVModel.fit(x_train, y_train)
                acc_score= accuracy_score(y_test, SVModel.predict(x_test))
                if best_score<acc_score:
                    best_score=acc_score
                    bi=i
                    bj=j
                    b_deg=deg
                    b_gamma=k
print(best_score, bi, bj, b_deg, b_gamma)

方案2：使用sklearn自带的网格搜索工具（更简洁不易出错） #

不需要手写嵌套循环，直接用GridSearchCV自动完成超参数遍历：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 定义超参数搜索空间
param_grid = {
    'kernel': ['linear', 'poly', 'rbf', 'sigmoid'],
    'C': np.arange(1,101,20),
    'degree': np.arange(2,5),
    'gamma': ['auto', 'scale']
}

svc = SVC()
grid_search = GridSearchCV(svc, param_grid, scoring='accuracy', cv=5)
grid_search.fit(x_train, y_train)

# 输出最优结果
print("最优交叉验证准确率：", grid_search.best_score_)
print("最优超参数组合：", grid_search.best_params_)
# 直接用最优模型预测测试集
y_pred = grid_search.predict(x_test)
print("测试集准确率：", accuracy_score(y_test, y_pred))

内容的提问来源于stack exchange，提问作者whomst