Python 在sklearn管道中为模型实现custom.fit（）方法

我在交叉验证中使用了许多管道进行比较。作为基准模型，我想包括一个简单的模型，它总是使用相同的固定系数，因此不依赖于训练数据。为了得到我想要的模型，我决定继承线性模型的所有行为，并实现我自己的.fit（）方法，它实际上不查看列车数据，而是始终使用存储的模型

当使用我的自定义实现作为模型时，它工作得很好，但是，作为管道的一部分，我得到一个NotFitteError

创建我的简单基准模型并存储它：

import numpy as np
import pickle
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import Pipeline

X = np.array([[1],[2],[3]])
y = [10,20,30]

model = LinearRegression(fit_intercept=False).fit(X,y)
pickle.dump(model, open('benchmark_model.txt', 'wb'))
print (model.coef_)

[10]

定义我自己的benchmark_model（），它实现了自定义拟合方法。fit方法打开存储的模型

class benchmark_model(LinearRegression):
      def fit(self, X, y = None):
            self = pickle.load(open('benchmark_model.txt', 'rb')) 
            return self

在不同的数据上测试定制的fit实现作为模型似乎进展顺利

X=np.array([[1],[2],[3]])
y=[5,10,15]

model = benchmark_model()
model = model.fit(X,y)

print (model.coef_)
print (model.predict(X))

[10] [10.20.30]

现在，我首先使用一个普通的线性回归作为管道的一部分，这似乎和预期的一样：

pipe = Pipeline([('model',LinearRegression())])
pipe.fit(X,y).predict(X)

数组（[5,10,15.]））

然而，当我将自定义基准模型作为管道的一部分使用时，它就不再工作了

pipe = Pipeline([('model',benchmark_model())])
pipe.fit(X,y).predict(X)

NotFitteError：此基准测试模型实例尚未安装。使用此方法之前，请使用适当的参数调用“fit”

---

我假设当

benchmark\u model.fit（）

返回类

LinearRegression

而不是

benchmark\u model

的实例时，管道会变得混乱。如果我们只是从固定模型复制学习到的参数，这似乎是可行的：

class benchmark\u模型（线性回归）：
def配合（自身、X、y=无）：
修复了模型=pickle.load（打开（'benchmark_model.txt'，'rb'））
self.coef=固定模型.coef_
自截距=固定截距_
回归自我

现在

fit

实际上返回了

benchmark\u model

的一个实例