小编Dav*_*Liu的帖子

I am able to successfully improve the performance of my XGBoost model through Bayesian optimization, but the best I can achieve through Bayesian optimization when using Light GBM (my preferred choice) is worse than what I was able to achieve by using it’s default hyper-parameters and following the standard early stopping approach.

When tuning via Bayesian optimization, I have been sure to include the algorithm’s default hyper-parameters in the search surface, for reference purposes.

The code below shows the RMSE …

当我使用 Pytest 进行 Python 格式化时，它抱怨执行以下操作：

>>> assert some_function_ret_val() == True
E712 comparison to True should be 'if cond is True:' or 'if cond:'

并想要：

assert some_function_ret_val() is True

我知道 True/False/None 只能有一份副本，但我认为所有原语都是不可变类型。

在什么情况下，原始类型的“==”和“is”比较会不同？

不然为什么“==”会成为比较任务的常态呢？

我发现这篇 stackoverflow 帖子讨论了与非原始类型的比较，但我似乎找不到为什么“is”比较对于原始类型可能是危险的原因。 与布尔 numpy 数组 VS PEP8 E712 的比较

如果只是约定，我认为“is”比“==”更易读，但我觉得可能存在一些疯狂的边缘情况，其中可能有多个原始类型的副本。

在 sklearn 管道中使用 make_column_transformer() 时，我在尝试使用 CountVectorizer 时遇到错误。

我的 DataFrame 有两列，'desc-title'和'SPchangeHigh'. 这是两行的片段：

features = pd.DataFrame([["T. Rowe Price sells most of its Tesla shares", .002152],
                         ["Gannett to retain all seats in MNG proxy fight", 0.002152]],
                        columns=["desc-title", "SPchangeHigh"])

我能够毫无问题地运行以下管道：

preprocess = make_column_transformer(
    (StandardScaler(),['SPchangeHigh']),
    ( OneHotEncoder(),['desc-title'])
)
preprocess.fit_transform(features.head(2)) 

但是，当我用CountVectorizer(tokenizer=tokenize)替换OneHotEncoder()时，它失败了：

preprocess = make_column_transformer(
    (StandardScaler(),['SPchangeHigh']),
    ( CountVectorizer(tokenizer=tokenize),['desc-title'])
)
preprocess.fit_transform(features.head(2))

ValueError                                Traceback (most recent call last)
<ipython-input-71-d77f136b9586> in <module>()
      3     ( CountVectorizer(tokenizer=tokenize),['desc-title'])
      4 )
----> 5 preprocess.fit_transform(features.head(2))

C:\anaconda3\lib\site-packages\sklearn\compose\_column_transformer.py …