Python Scikit网格搜索参数（非超参数）

当我想找到最好的超参数时，Scikit是完美的。我想用同样的原理来寻找线性回归的最佳参数集，使用一个跨多个层次的目标函数。我如何在多重上优化线性回归的参数（确切地说是beta和截距）

用例（简化）：
我有一个拥有三年数据的数据集。我想定义什么是最好的线性回归，是“所有年份都可以”。如果我对整个数据集拟合线性回归，我将得到一个减少所有数据的最小二乘误差的回归。有效地，我将最小化

但是，这（

min（error）

）不是我的目标。我可以在这个目标上得到一个很好的结果，因为分类器在第1年和第2年做得很好，这足以弥补第3年的不足

我实际上想要最小化的是

min（max（error\u year\u 1，error\u year\u 1，error\u year\u 1））

一种很有技巧的方法是生成一个函数f（b0，b1，b2，year1，year2，year3），它返回错误的最大值，然后使用scipy最小化该函数

---

实际问题：在scikit中有没有办法做到这一点？

在我看来，scikit只提供对的直接api访问，我相信一次只能看到一次

不是很漂亮，但我认为您最好的选择是查看

GridSearchCV

的

grid_分数

cv_验证

并手动获取一组参数，以最小化所选损失函数的最大值

但是，不要认为它保存了分类器，如果您想使用它进行预测，您可能需要重新训练另一个logit