我发现LinearSVC包含在TPOT分类器中，我一直在用它来构建我的模型，并且得到了相当不错的分数（在sklearn评分中是0.95）。
def process(stock): df = format_data(stock) df[['HSI Volume', 'HSI', stock]] = df[['HSI Volume', 'HSI', stock]].pct_change()# 将未来值移至当前日期 df[stock+'_future'] = df[stock].shift(-1) df.replace([-np.inf, np.inf], np.nan, inplace=True) df.dropna(inplace=True) df['class'] = list(map(create_labels, df[stock], df[stock+'_future'])) X = np.array(df.drop(['class', stock+'_future'], 1)) # 1 = 列 # X = preprocessing.scale(X) y = np.array(df['class']) X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.2) tpot = TPOTClassifier(generations = 10, verbosity=2) fitting = tpot.fit(X_train, y_train) prediction = tpot.score(X_test, y_test) tpot.export('pipeline.py') return fitting, prediction经过十代后：TPOT推荐了GaussianNB，它在sklearn评分中得分约为0.77。
第1代 - 当前最佳内部交叉验证分数: 0.5322255571 第2代 - 当前最佳内部交叉验证分数: 0.55453535828 第3代 - 当前最佳内部交叉验证分数: 0.55453535828 第4代 - 当前最佳内部交叉验证分数: 0.55453535828 第5代 - 当前最佳内部交叉验证分数: 0.587469903893 第6代 - 当前最佳内部交叉验证分数: 0.587469903893 第7代 - 当前最佳内部交叉验证分数: 0.597194474469 第8代 - 当前最佳内部交叉验证分数: 0.597194474469 第9代 - 当前最佳内部交叉验证分数: 0.597194474469 第10代 - 当前最佳内部交叉验证分数: 0.597194474469 最佳管道: GaussianNB(RBFSampler(input_matrix, 0.22))(None, 0.54637855142056824)我只是好奇为什么LinearSVC的得分更高，但TPOT却没有推荐它。是因为评分机制不同，从而导致了不同的最优分类器吗？
非常感谢！
回答：
我个人猜测是tpot陷入了局部最大值，也许尝试改变测试集大小、增加代数或者对数据进行缩放会有帮助。另外，你能重新运行TPOT看看是否得到相同的结果吗？（我的猜测是否定的，因为遗传优化由于变异是非确定性的）
