Python3での勾配ブースティングによるモデル構築のエラーに関する質問

Question

※当方、機械学習によるモデル構築に取り組んではいますが、プログラミングや統計に関しては
初心者レベルですので、初歩から教えていただければ幸甚です。

jupyter notebook上で、勾配ブースティングによる予測モデルの構築を行っていまして、
モデル精度検証にあたって検証用データを投入した際、以下のようなエラーコードが出ます。
「NotFittedError: This GradientBoostingClassifier instance is not fitted yet. Call 'fit' with appropriate arguments before using this method.」

♯利用したアルゴリズム：勾配ブースティング
♯パラメータチューニング：GridSearchCV

GradientBoostingClassifierに関しては、以下の通り学習を行っています。
「from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import GridSearchCV

GBC = GradientBoostingClassifier()

param_grid = {'n_estimators':[10,50,100,300],
'max_depth':[3,5,10]}

grid_search = GridSearchCV(GBC, param_grid)

grid_search.fit(train_x, train_y)」

上記エラーについて、考えうる原因について教えていただけると幸いです。

Answer 1

ちゃんと質問文のコードの通り実行できていれば、そのエラーは出ないはずです。

（データの読み込みと検証データを投入している部分が書かれていないので、確信は持てませんが。全体を掲載してください・・・）

jupyter環境ということなので、うっかり変な順番で実行してしまったのではないでしょうか。ノート全体を先頭から実行してみると良いと思います。

参考：
Jupyter Notebookの入力と実行 — Pythonオンライン学習サービス PyQドキュメント

Answer 2

質問欄のコードブロックは ``` で囲んでください。

---

iris データセットによるサンプル例

from sklearn import datasets
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import GridSearchCV, train_test_split
import numpy as np

# IRIS データを用意する。
iris = datasets.load_iris()
x_train, x_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2)

# 分類器を作成する。
params = {'n_estimators': [10, 50, 100, 300],
          'max_depth': [3, 5, 10]}
clf = GridSearchCV(GradientBoostingClassifier(), params)
clf.fit(x_train, y_train)

# 結果を表示する。
best_clf = clf.best_estimator_
print('best parameters: n_estimators={}, max_depth={}'.format(
    best_clf.n_estimators, best_clf.max_depth))
print('accuracy: {:.0%}'.format(clf.score(x_test, y_test)))
# best parameters: n_estimators=50, max_depth=5
# accuracy: 100%

print ("Expected: ", y_test)
print ("Predict: ", clf.predict(x_test))
# Expected:  [2 0 0 1 0 2 1 1 2 2 0 1 0 1 0 0 2 1 2 2 0 0 1 1 0 2 1 2 0 2]
# Predict:  [2 0 0 1 0 2 1 1 2 2 0 1 0 1 0 0 2 1 2 2 0 0 1 1 0 2 1 2 0 2]