Python 如何在Scikit learn中使用不同的数据对管道进行再培训？

我使用管道进行机器学习模型培训，使用Python和sklearn对我所有历史数据的子集进行K-fold交叉验证（省略测试集），如下所示：

pipeline = Pipeline([("combiner", PolynomialFeatures()),
                     ("dimred", PCA()),
                     ("classifier", RandomForestClassifier())])

parameters = [...]

CV = GridSearchCV(pipeline, parameters, cv=5, scoring="f1_weighted", refit=True, n_jobs=-1)
CV.fit(train_X, train_y)

---

到目前为止，一切顺利。然而，在最后，我想在我完整的X和y上重新训练获胜的管道超参数组合，而不需要任何交叉验证。我怎么会有这个？简单地再次应用

CV.fit（X，y）

将使用CV重新执行整个交替过程，这显然是不必要的。我还可以解析CV.get_params（）以获得最佳组合超参数，并相应地重新构建管道，但这似乎有些笨拙和不专业…

您的问题的答案在中。请参阅属性部分：

best\u estimator\u

是存储最佳模型的位置，因此您可以在完成拟合后从那里访问它。您可以通过直接调用“CV.best\u Estimaty”来使用它，您可以对它进行新的引用或对其进行pickle以供以后使用，即：

稍后，您可以加载模型以进行进一步的工作：

import joblib
my_pipeline = joblib.load('my_pipeline.pkl')

如果不需要模型，而只需要其超参数，则可以从

最佳参数

属性访问这些参数，即：

CV.best_params_

---

哪一个词典是构建新管道的最佳设置。

保存简历并加载以备日后使用如何？这不会改变管道中估计器的权重（或者，在本例中是：决策），而只会应用管道。我想要的是，根据CV的获胜公式，使用管道中的特定组件和超参数（因此保持不变），并根据新的、更大/更完整的数据重新计算管道中估计器的权重/决策逻辑，当然，不需要任何CV或进一步评估）。现在我只能手工操作（检查CV的报告并用最佳设置重新定义新管道）。

best\u estimator\u

是实际培训过程的结果。我不想使用这个管道#1，而是在另一个数据上使用管道#1的元素和超参数训练另一个管道#2。然后使用

最佳参数

，就像我在编辑后提到的那样。你应该阅读文档，看看你还能从CV结果中得到什么。是的，这是我想做的，但是有一个特定的管道，带有备选方案，best_params_uuu不知何故不起作用，不能返回完整的参数dict。请看：关于

CV.best_estimator_uu.get_params（）

，就像公认的答案建议的那样？

CV.best_params_