Python GridSearchCV用于分别为每个标签进行多标签分类

我正在使用scikit学习进行多标签分类。我使用随机森林分类器作为基础估计器。我想使用GridSearchCV为每个标签优化它的参数。目前我正在以以下方式进行：

from sklearn.ensemble import RandomForestClassifier
from sklearn.multiclass import OneVsRestClassifier
from sklearn.grid_search import GridSearchCV

parameters = {
  "estimator__n_estimators": [5, 50, 200],
  "estimator__max_depth" : [None, 10,20],
  "estimator__min_samples_split" : [2, 5, 10],
}
model_to_tune = OneVsRestClassifier(RandomForestClassifier(random_state=0,class_weight='auto'))
model_tuned = GridSearchCV(model_to_tune, param_grid=params, scoring='f1',n_jobs=2)
print model_tuned.best_params_
{'estimator__min_samples_split': 10, 'estimator__max_depth': None, 'estimator__n_estimators': 200}

---

考虑到所有标签，这些参数给出了最佳f1分数。我想分别找到每个标签的参数。是否有任何内置函数可以做到这一点？

实现这一点并不困难，尽管它不是内置的，我不确定我是否理解您为什么要这样做

只需像这样预处理您的数据：

for a_class in list_of_unique_classes:
    y_this_class = (y_all_class==a_class)
    model_to_tune = RandomForestClassifier(random_state=0,class_weight='auto')
    model_tuned = GridSearchCV(model_to_tune, param_grid=params, scoring='f1',n_jobs=2)
    model_tuned.fit( X, y_this_class )

    # Save the best parameters for this class

---

（另外，注意f1分数，它不能很好地描述倾斜数据集分类器的性能。您希望使用ROC曲线和/或）。

多标签强调相互包容，以便观察可以同时是多个类的成员。如果您希望为每个标签训练单独的分类器，那么对于该特定分类器，每个观察值只能是一个类的成员（一个与其他类相对），这是相互排斥的。您期望的方法似乎与您实际的多标签观察结果相矛盾，我认为在scikit learn中没有实现这一点。@JianxunLi您好，我想知道“OneVsRestClassifier”在多标签文献中的作用是否只是二元关联。如果是这样的话，不考虑标签之间的交互确实是使用二进制相关性的主要缺点，因此当您“手动”训练单个分类器时，与使用

OneVsRestClassifier

时应该是一样的。我尝试使用informedness进行模型选择。但当我将模型应用于测试数据时，对于某些类，模型预测所有观测值为1，而实际上该类只有约5%的1。在使用f1成绩时，我没有面对这个问题。为什么会发生这种情况？