Python 具有大量参数的sklearn的自定义估计器

我正在尝试为sklearn定制一个带有很多参数的估计器。据我所知，我应该这样做：

MyEstim类（BaseEstimator）：
定义初始化（self，param1，param2）：
super（）。\uuuu init\uuuuu（）
self.param1=param1
self.param2=param2
...

但如果我有几十个或几百个参数，我不知道该怎么做。构建参数-有效值列表不是一个问题，但我不明白如何更好地将此列表传递给估计器，以使其在sklearn中工作

像这样的事情对我不起作用：

def\uuuuu init\uuuuuuu（self，**kwargs）：
super（）。\uuuu init\uuuuu（）
#来自kwargs的init参数

---

因为，据我所知，sklearn代码中有一些约定，所以它只能初始化在

\uuuu init\uuuuuuu

函数中显式定义的参数。

只要

get\u params

和

set\u params

方法按预期工作，您就可以使用

**kwargs

例如：

（摘自我写的一篇文章）

类别日志估计器（基本估计器）：
定义初始值（自，est类=线性回归，**kwargs）：
self.est\u class=est\u class
#KWARG取决于所使用的模型，因此请指定它们
对于键，kwargs.items（）中的值：
setattr（自身、键、值）
self._param_names=['est_class']+列表（kwargs.keys（））
def get_参数（self，deep=True）：
#注意：我们将忽略deep参数
#这将不适用于具有子估计器的估计器
#看https://scikit-learn.org/stable/developers/develop.html#get-参数和设置参数
返回{param:getattr（self，param）
用于self中的参数。_param_names}
def set_参数（自身，**参数）：
对于参数，参数.items（）中的值：
setattr（自身、参数、值）
回归自我

只要您的

get_params

和

set_params

方法按预期工作，就可以使用

**kwargs

例如：

（摘自我写的一篇文章）

类别日志估计器（基本估计器）：
定义初始值（自，est类=线性回归，**kwargs）：
self.est\u class=est\u class
#KWARG取决于所使用的模型，因此请指定它们
对于键，kwargs.items（）中的值：
setattr（自身、键、值）
self._param_names=['est_class']+列表（kwargs.keys（））
def get_参数（self，deep=True）：
#注意：我们将忽略deep参数
#这将不适用于具有子估计器的估计器
#看https://scikit-learn.org/stable/developers/develop.html#get-参数和设置参数
返回{param:getattr（self，param）
用于self中的参数。_param_names}
def set_参数（自身，**参数）：
对于参数，参数.items（）中的值：
setattr（自身、参数、值）
回归自我