Python 使用**kwargs（Scikit学习）设置n_估计器参数

我试图按照教程学习基于机器学习的预测，但我有两个问题

问题1。如何在下面的代码段中设置

n_估计器

，否则它将始终采用默认值

from sklearn.cross_validation import KFold

def run_cv(X,y,clf_class,**kwargs):
# Construct a kfolds object
kf = KFold(len(y),n_folds=5,shuffle=True)
y_pred = y.copy()

# Iterate through folds
for train_index, test_index in kf:
    X_train, X_test = X[train_index], X[test_index]
    y_train = y[train_index]
    # Initialize a classifier with key word arguments
    clf = clf_class(**kwargs)
    clf.fit(X_train,y_train)
    y_pred[test_index] = clf.predict(X_test)
return y_pred

它被称为：

从sklearn.svm导入SVC
打印“%.3f%”精度（y，运行曲线（X，y，SVC））

---

问题2：如何使用已经训练过的模型文件（例如从SVM获得的），以便我可以使用它来预测更多我没有用于训练的（测试）数据？

对于第一个问题，在上面的代码中，您可以调用

run\u cv（X，y，SVC，n\u classifiers=100）

，

**kwargs

将通过步骤

clf=clf_class（**kwargs）

将其传递给分类器初始值设定项

对于第二个问题，您链接的代码中的交叉验证仅用于模型评估，即比较不同类型的模型和超参数，并确定模型在生产中的可能有效性。确定模型后，需要在整个数据集上重新安装模型：

clf.fit(X,y)

然后您可以使用

clf.predict

或

clf.predict\u proba

进行预测