如何在Pyspark中获得交叉验证后的最佳超参数值？

我正在数据集上对一些超参数集进行交叉验证

lr = LogisticRegression()
paramGrid = ParamGridBuilder() \
    .addGrid(lr.regParam, [0, 0.01, 0.05, 0.1, 0.5, 1]) \
    .addGrid(lr.elasticNetParam, [0.0, 0.1, 0.5, 0.8, 1]) \
    .build()
evaluator = BinaryClassificationEvaluator()
cv = CrossValidator(estimator=lr, estimatorParamMaps=grid, evaluator=evaluator)

我想知道regParam和elasticNetParam的最佳值。在python中，我们可以选择在交叉验证后获得最佳参数。pyspark中是否有任何方法可以在交叉验证后获得参数的最佳值

For example : regParam - 0.05 
              elasticNetParam - 0.1

---

首先，您必须安装CrossValidator：

cv_model = cv.fit(train_data)

完成此操作后，您将拥有以下方面的最佳_模型：

best_model = cv_model.bestModel

要提取参数，您必须执行以下操作：

best_reg_param = best_model._java_obj.getRegParam()
best_elasticnet_param = best_model._java_obj.getElasticNetParam()

---

假设您使用以下参数建立了逻辑回归模型

lr = LogisticRegression()
paramGrid = ParamGridBuilder() \
    .addGrid(lr.regParam, [0, 0.01, 0.05, 0.1, 0.5, 1]) \
    .addGrid(lr.elasticNetParam, [0.0, 0.1, 0.5, 0.8, 1]) \
    .build()
cv = CrossValidator(estimator=lr, estimatorParamMaps=grid, evaluator=evaluator)
cv_model = cv.fit(train_data)

可以使用以下代码提取最佳模型参数：

print(cv_model.getEstimatorParamMaps()[np.argmax(cv_model.avgMetrics)])

---

我可以使用best_模型吗？_java_obj.getParam（'ElasticNetparam'）？@merkle这对我来说适用于带有随机林的CV，但在使用TrainValidationSplit进行网格搜索后不会打印最佳超参数。在第二种情况下，它只打印超参数的定义。