Python 如何将GridSearchCV中的验证集与训练集分开进行规范化？

如何在GridSearchCV中分别缩放每个折叠

在训练ML模型时，我们应该规范化（缩放）与训练数据相关的特征。然后对测试数据使用拟合的定标器。但如果使用网格搜索CV（5倍），我们通常会向其提供已缩放的训练数据。然后被分成几层。但是，我们如何分别缩放4-1倍

scl=MinMaxScaler（）
scl.fit_变换（X_序列）
症状自评量表转换（X_检验）
#所有训练数据都进行了缩放，并且
#不单独进行培训和验证
cv=GridSearchCV（模型，网格，评分=f1'，cv=5）
等速配合（X_系列、Y_系列）

如果您对如何实现这样的目标有什么建议，请告诉我。

这就是我们的目的

将当前模型转换为流水线模型，如下所示：

new_model = Pipeline([('scaler', MinMaxScaler()), ('model', cur_model)])

---

不要事先调整训练集。每次调用

fit

时，管道将自动调整和转换您的培训数据（当然仅使用培训数据），并使用fitted

MinMaxScaler

在测试集上调用

transform

为什么不先将培训分为培训和验证集呢。然后缩放每套individually@ZiyadMoraished问题显然是交叉验证，而不是培训/验证。这就是我要找的。您提到不要扩展我的培训集，因为管道会这样做，这是有意义的。但是我认为我仍然需要将scaler与我的训练集相匹配，以便以后可以转换我的测试集，对吗？如果GridSearchCV中有

refit=True

，这是默认设置，则不会。这意味着GridSearchCV将使用具有最佳超参数的整个训练集来训练最终模型，因此管道中的缩放器将自动安装。事实上，在

cv=GridSearchCV（新模型，GRID，scoring='f1'，cv=5）.fit（X\u-train，Y\u-train）

之后，您只需调用

cv.predict（X\u-test）

（即直接在fitted GridSearchCV上），而不必担心缩放或其他任何事情`这是一些突破性的消息：）。因此，如果我理解正确，让我重申一下。而GridSearchCV（管道，网格，…）将与我的管道一起运行。我的管道将进行预处理。然后我可以使用cv.predict（X_测试）来处理未经预处理的数据，sklearn会处理吗？听起来棒极了。即使我用joblib转储经过训练的管道，它也能起作用吗？然后再加载它？管道中的预处理是否仍然存在转储/加载？是的，转储和加载任何安装的模型或预处理器都是完美的，而不仅仅是这个特定的

GridSearchCV（管道、网格等）

estimator