Je suppose que le problème réside dans votre structure de données train.data/label.data. J'ai testé les deux versions de votre code et ils fonctionnent:
import sklearn.svm as sksvm
import sklearn.grid_search as skgs
params = { 'C' : [ 0.01 , 0.1 , 1 , 10]}
X = np.random.rand(1000, 10) # (1000 x 10) matrix, 1000 points with 10 features
Y = np.random.randint(0, 2, 1000) # 1000 array, binary labels
mod = sksvm.SVC()
mod.fit(X, Y)
Sortie:
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)
et
import sklearn.svm as sksvm
import sklearn.grid_search as skgs
params = { 'C' : [ 0.01 , 0.1 , 1 , 10]}
X = np.random.rand(1000, 10) # (1000 x 10) matrix, 1000 points with 10 features
Y = np.random.randint(0, 2, 1000) # 1000 array, binary labels
mod = skgs.GridSearchCV(sksvm.SVC(), params, n_jobs=-1)
mod.fit(X, Y)
Sortie:
GridSearchCV(cv=None, error_score='raise',
estimator=SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False),
fit_params={}, iid=True, loss_func=None, n_jobs=-1,
param_grid={'C': [0.01, 0.1, 1, 10]}, pre_dispatch='2*n_jobs',
refit=True, score_func=None, scoring=None, verbose=0)
Si vos données sont en dataframe et série le code fonctionne toujours , Vous pouvez l'essayer en ajoutant:
X = pd.DataFrame(X)
Y = pd.Series(Y)
après que vous générez X et Y.
Difficile à dire sans un morceau reproductible code bien. Aussi vous devriez probablement ajouter l'étiquette sklearn à la question.
Comment est-ce une question Pandas? Cela ressemble plus à SciPy pour moi ... Envisagez également d'inclure un exemple complet vérifiable et reproductible. Ce qui signifie donner un petit échantillon de vos données pour tester les réponses sur ... – Kartik
@Kartik je l'ai édité, –