Python sklearn多模型准确率对比时遇DecisionTreeClassifier相关TypeError
问题根因定位
触发核心TypeError的原因非常明确:
- 你构建模型列表时,给CART条目传入的是
DecisionTreeClassifier类本身,没有完成实例化。对比列表内其他模型的写法:LogisticRegression()、LinearDiscriminantAnalysis()、KNeighborsClassifier()、GaussianNB()、SVC()全部都是带括号的初始化实例,唯独CART那行漏写了括号。 - scikit-learn的交叉验证流程会调用内置的clone方法,复制传入的估计器来完成每一折的训练。clone方法要求传入的必须是初始化完成的估计器实例,而非类对象本身,因此会抛出“没有实现get_params方法”的报错——类本身自然不具备实例级别的get_params方法。
报错栈中弹出的Empty异常只是joblib并行调度流程中的临时栈帧,不是流程中断的根因。
分步解决方案
1. 修复核心类型报错
把模型列表中CART对应的代码改为实例化写法,和其他模型保持格式统一:
models.append(('CART', DecisionTreeClassifier()))
仅需要在类名后补上括号即可。
2. 消除KFold的版本警告
你当前编写的model_selection.KFold(n_splits =10, random_state = seed)会触发0.22.1版本的FutureWarning:该版本下KFold默认不打乱样本顺序,此时设置random_state完全不生效,后续0.24版本会直接抛出错误。如果需要固定随机种子保证结果可复现,手动开启打乱开关即可:
kfold = model_selection.KFold(n_splits=10, random_state=seed, shuffle=True)
如果不需要打乱样本顺序,直接删除random_state参数即可。
3. 消除逻辑回归的收敛警告
你遇到的lbfgs求解器迭代次数超限的警告,可通过两种方式解决:
- 给LogisticRegression实例调高迭代上限,比如设置
max_iter=2000,即可保证正常收敛 - 运行模型前对训练集特征做标准化缩放,可大幅降低收敛所需的迭代次数
内容的提问来源于stack exchange,提问作者Data Beginner
相关产品推荐
相关产品推荐

