Python 3.x 是否可以从sklearn使用gridsearchCV和make_管道执行超参数优化

目前，我可以通过使用

make\u column\u transformer

和

make\u pipeline

构建一个模型，看起来像：

from sklearn.compose import make_column_transformer
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
from sklearn.tree import DecisionTreeClassifier
from sklearn.pipeline import make_pipeline

[in]: dtc = DecisionTreeClassifier()

[in]: column_trans = make_column_transformer(
    (OneHotEncoder(handle_unknown='ignore'), ['var1', 'var2',
                                              'var3', 'var4', 'var5', 'var6'
                                              ]),
    remainder='passthrough')

[in]: column_trans.fit_transform(X)

[in] pipe = make_pipeline(column_trans, dtc)

[in]: cross_val_score(pipe, X_train, y_train, cv=5, scoring='accuracy').mean()

[out]: ... prediction

---

我已经阅读了文档，似乎找不到任何有助于将流程简化为gridsearchCV的内容。下面是一个关于scikit的示例，了解gridsearchCV在管道中的使用位置：

您提到的

make_pipeline

方法是“pipeline构造函数的缩写”（），它只返回pipeline对象。因此，在最后，直接使用管道构造函数将导致相同的结果，您可以使用他们的示例来确定自己的方向

我假设，您希望在调用

cross\u val\u score（）

方法之前执行

GridSearchCV

，以确定最佳参数

因此，您可以对代码进行类似的调整：

search = GridSearchCV(pipe, your_param_grid)
search.fit(X_train, y_train)
print(search.best_params_)