Python 分类器超参数间的相关性

我想知道两个不同分类器的超参数之间是否存在某种相关性

例如：假设我们在具有最佳超参数的数据集上运行

LogisticRegression

（通过

GridSearch

查找），并希望在同一数据集上运行另一个分类器，如

SVC

（

SVM

分类器），而不是使用

GridSearch

查找所有超参数，我们是否可以修正超参数的一些值（或缩小范围以限制

GridSearch

）的搜索空间

作为一个实验，我使用了

scikit learn

的分类器，如

LogisticRegression

，

SVS

，

LinearSVC

，

SGDClassizer

和

Perceptron

对一些众所周知的数据集进行分类。在某些情况下，我能够从经验上看到一些相关性，但并非总是所有数据集都如此

---

所以请帮我澄清这一点。

我认为你不能像这样将不同分类器的不同参数关联在一起。这主要是因为每个分类器的行为不同，因为它有自己的方法，根据自己的方程组调整数据。例如，以具有两个不同内核的

SVC

为例

rbf

和

sigmoid

。可能是这样的情况，

rbf

可以完全适合

截距参数C

设置为0.001的数据，而相同数据上的'sigmoid

内核可以适合
C`值0.00001。两个值也可以相等。然而，你永远不能肯定地说。当你说：

在某些情况下，我能够从经验上看到一些相关性，但并非总是所有数据集都如此

这可能只是巧合。因为这一切都取决于语言和分类器。你不能全局应用它。相关性并不总是等同于因果关系

您可以亲自访问并看到，尽管不同的回归函数具有相同的参数
a
，但它们的方程却大不相同，因此在同一数据集上，
a
的值可能大不相同