Python 为什么管道被用作GridsearchCV的一部分，而不是相反？

虽然我了解潜在的好处，尤其是与

GridSearchCV

结合使用，但我想知道为什么它总是这样使用（或者至少从我的理解来看）：

为每个分类器设置管道步骤（对于

clf

步骤，使用

'passthrough'

）。然后，

GridSearchCV

为管道配备多个参数和分类器

我不确定这是否正确，但从我的观点来看，这似乎会导致分类器之前的步骤运行多次，即使它们总是与相同的参数一起使用

这就引出了一个问题，为什么它不被用在其他方面。。。或者这可能吗

以下是我脑海中的情景图片，以及示例配置：

---

首先，让我们创建一个数据集

从sklearn.dataset导入make_分类
从sk学习输入svm
从sklearn.decomposition导入PCA
从sklearn.pipeline导入管道
从sklearn.model_选择导入GridSearchCV
#生成一些数据以供使用
十、 y=进行分类（n\u信息=5，n\u冗余=0，随机状态=42）

现在使用网格搜索的常用方法是尝试所有步骤的不同参数。 例如，让我们使用

PCA

和

SVC

pipe=Pipeline（步骤=[（'pca'，pca（）），（'svm'，svm.SVC（））]
#管道的参数可以使用“_u”分隔的参数名称进行设置：
参数网格={
“pca组件”：[5,15,30,45,64]，
“svm_u_C”：[1,5,10]，
}
gs=GridSearchCV（管道、参数网格、n_作业=-1）
总装配（X，y）

但是，如果需要，您可以将前面的步骤应用于分类器本身，并且仅对分类器执行

GridSearch

：

pca=pca（）
X_pca，y_pca=pca.fit_变换（X，y）
参数={'C'：[1,5,10]}
svc=svm.svc（）
gs=GridSearchCV（svc，参数）
总体拟合（X_主成分分析，y_主成分分析）

---

问题是，这种方法无法测试不同步骤之间的参数相关性。

谢谢您的回答，这很好地解释了管道如何与gridsearch协同工作。但是，它并没有真正回答为什么它不能不同，正如我在所附的图中所解释的（一条管道，触发分类器网格）。您可以在管道的任何阶段使用“passthrough”指定多个可选对象（还原器、分类器等）。请参见此处，了解如何指定多个减缩器，您应该能够将其适应于多个分类器：