Python sklearn:fit_transform（）不适用于GridSearchCV

我正在创建一个

GridSearchCV

分类器

pipeline = Pipeline([
    ('vect', TfidfVectorizer(stop_words='english',sublinear_tf=True)),
    ('clf', LogisticRegression())
    ])

parameters= {}

gridSearchClassifier = GridSearchCV(pipeline, parameters, n_jobs=3, verbose=1, scoring='accuracy')
    # Fit/train the gridSearchClassifier on Training Set
    gridSearchClassifier.fit(Xtrain, ytrain)

这很有效，我可以预测。但是，现在我想重新训练分类器。为此，我想对一些反馈数据进行

fit\u transform（）

    gridSearchClassifier.fit_transform(Xnew, yNew)

但是我得到了这个错误

AttributeError: 'GridSearchCV' object has no attribute 'fit_transform'

---

基本上，我尝试在分类器的内部

TFIDFvectorier

上

fit_transform（）

。我知道我可以使用

named_steps

属性访问

管道的内部组件。我可以为
gridSearchClassifier
做类似的事情吗？
只需逐步调用它们

gridSearchClassifier.fit(Xnew, yNew)
transformed = gridSearchClassifier.transform(Xnew)

fit_变换
不过是这两行代码，只是没有作为
GridSearchCV
的单一方法实现

更新
从评论来看，您似乎对GridSearchCV的实际功能有些茫然。这是一种元方法，用于拟合具有多个超参数的模型。因此，一旦调用
fit
，对象的
best\u estimator\u
字段中就会有一个估计器。在您的例子中，它是一个管道，您可以像往常一样提取它的任何部分，因此

gridSearchClassifier.fit(Xtrain, ytrain)
clf = gridSearchClassifier.best_estimator_
# do something with clf, its elements etc. 
# for example print clf.named_steps['vect']

您应该而不是使用gridsearchcv作为分类器，这只是拟合超参数的一种方法，一旦找到超参数，您应该使用
最佳估计器。但是，请记住如果重新安装TFIDF矢量器，那么您的分类器将毫无用处；您无法更改数据表示并期望旧模型正常工作，一旦数据更改，您必须重新安装整个分类器（除非这是精心设计的更改，并且您确保旧维度的含义完全相同-sklearn不支持此类操作，您必须从头开始实现）.
@lejot正确的做法是在
gridSearchClassifier
上调用
fit（）

如果
GridSearchCV
上设置了
refit=True
，这是默认设置，您可以在安装的
gridSearchClassifier
上访问
最佳估计值

您可以访问已安装的步骤：

tfidf = gridSearchClassifier.best_estimator_.named_steps['vect']
clf = gridSearchClassifier.best_estimator_.named_steps['clf']

然后，您可以使用以下方法在
new_X
中转换新文本：

X_vec = tfidf.transform(new_X)

您可以使用此
X_-vec
对以下各项进行预测：

x_pred = clf.predict(X_vec)

您还可以使用整个管道对通过管道的文本进行预测

X_pred = gridSearchClassifier.predict(new_X)

这将重新装配整个模型。与“fit_transform”完全一样，我使用了gridSearchClassifier.fit（Xtrain，ytrain）gridSearchClassifier=gridSearchClassifier.transform（Xtrain），当我尝试使用gridSearchClassifier.best_score时，我得到了错误属性error:best_score_u找不到类似命名步骤的方法来访问内部TFIDfVectorier吗？谢谢，现在它更有意义了。我想如果我单独使用TFIDFvectorier会更好。您需要一个具有在线学习功能的分类器（如sklearn的SGDClassizer），或者“冻结”tfidf，或者“手动”修改，因此以前的维度与以前相同，您只需添加新维度，手动输入最后一个分类器作为新分类器的起点，新维度设置为0。一般来说，增量学习在生产中并不简单。你的意思是像gridSearchClassifier.fit（Xnew，yNew）gridSearchClassifier.best_estimator_uu.named_steps['vect'].transform（Xnew）我还想使用gridSearchClassifier来获得gridSearchClassifier.best_score_基本上在拟合和转换完成后，我想用分类器准确地预测和做其他事情。如果通过
GridSearch（clf，params，refit=True）
传递
refit=True
，您可以在任何转换步骤上调用transform，也可以在最后的估计器步骤上调用predict。@AbtPst，我更新了我的答案，提供了更多关于如何使用拟合的GridSearch分类器的示例。