Dask HyperbandCV和其他增量搜索算法是否适用于没有部分拟合和fir管道的模型？

我一直在深入研究github页面并阅读文档，但我不完全理解HyperbandCV是否有助于加速我的超参数优化

我正在使用SKLearn的管道功能。我也在测试一些模型，比如LinearRegression（），它不支持部分拟合；它必须使用所有数据一次拟合所有参数。在这种情况下，是否仍可以使用HyperbandCV？如果使用了它，那么根据我的理解，如果管道和所述模型都没有实现部分拟合，那么它到底在优化什么呢。在Hyperband的api中，它表示需要实现部分_-fit才能使用它。然而，在另一份文档中，它读到，它可以作为随机搜索CV的替代品，因为它只需花费较少的时间训练低性能的模型

---

如果有人能为我澄清这一点，这将是伟大的

根据最近的数据，

HyperbandSearchCV

确实要求模型实现

partial_fit

，因为使用HyperbandSearchCV的目的是避免对整个数据进行训练，以决定模型是否良好。这就是HyperbandSearchCV的速度优势的来源。我对这篇博文的理解是，一旦一个模型得到了充分的训练，HyperbandSearchCV就再也做不了什么了，没有什么可以早停下来做的了。然而，对于Dask实现而言，这可能是正确的，而对于我应该重新阅读的原文中描述的Hyperband算法而言，这不一定是正确的。

这是否意味着，如果在模型拟合中没有实现部分拟合，则超参数搜索性能将不会得到改善。您认为，在hyper参数搜索过程中，hyperband cv中可能会出现其他速度改进，但在模型拟合中不会出现。根据文档，hyperband SearchCV仅适用于实现

部分拟合（）的模型。这不是一个慢下来的问题，而是一个不工作的问题。事实上，你可以自己试试，因为你有管道。你也可以在。