Python Sklearn:n_iter参数上的GridSearchCV

sk了解对于迭代估算器，迭代次数应由

.fit（）

的

n\u iter

参数指定

通过对最佳超参数运行网格搜索，您可以仅为可使用

estimator.set_params（）

设置的参数指定值的范围

所以我想知道，我如何运行网格搜索（除其他外）迭代次数？ 解决方案是更改估计器代码，以便在构造函数中通过

.set\u params（）

设置

n\u iter

，但由于某种原因，不建议这样做，如上所述

编辑： 以下是一个例子：

创建需要两个参数的估计器：

estimator = SomeEstimator(alpha=5, theta=0.001)

GridSearchCV(estimator, {'alpha':[5, 6], 'theta':[0.1, 0.01, 0.001]}).fit(X, y, n_iter=4)

您可以使用

fit（）

方法在数据X和标签y上拟合估计器。此外，假设估计器运行一个迭代算法，您可以指定它应该运行多少次。Sklearn建议为此使用

fit（）

函数的参数

n\u iter

：

estimator.fit(X, y, n_iter=4)

要找到alpha和θ的最佳参数值，可以运行GridSearchCV，它为这些参数的所有组合运行

estimator.fit（）

：

estimator = SomeEstimator(alpha=5, theta=0.001)

GridSearchCV(estimator, {'alpha':[5, 6], 'theta':[0.1, 0.01, 0.001]}).fit(X, y, n_iter=4)

这将运行α/θ组合的估计器：

(5, 0.1)
(5, 0.01)
(5, 0.001)
(6, 0.1)
(6, 0.01)
(6, 0.001)

---

但是我想为不同的

n_iter

（1..10）值计算这六种组合。当然，我可以使用for循环，但这不是GridSearchCV的要点。

您可以使用

GridSearchCV

找到最佳的

n_iter

超参数，其估计器将该参数作为参数，方法与其他超参数相同。以下是关于sklearn 0.19.0的作品

np.random.seed(42)
clf = SGDClassifier()
params = {'n_iter': [30, 50, 100], 'alpha': [0.01, 0.1, 1.0]}
gs = GridSearchCV(clf, params, scoring='accuracy', cv=5)
X = np.random.random((100, 5))
y = np.random.choice([0, 1], 100)
gs.fit(X, y)
print gs.best_params_

输出：

{'alpha': 0.1, 'n_iter': 30}

---

你能用一个例子更好地解释一下吗？我添加了一个exampleOk，但是

n_iter

是一个超参数吗？它在当前版本中已被弃用，将被删除。这就是为什么我问这个问题，它是否被认为是一个有效的超参数。我认为不应该。你能告诉我这是什么地方吗？我可以看到

fit_params

已被弃用，但看不到任何迹象表明这不起作用。此外，我似乎没有收到未来的警告（除了为SGDClassizer抛出的警告），我不是说它不会像您描述的那样工作。会的。但0.19中的SGDClassizer不推荐使用此参数。看，但我的观点是，

n_iter

通常不应被视为超参数，因为大多数情况下，调谐始终会选择更大的

n_iter

。它取决于要跨越的损失的

阈值。所以我们可以间接地得到其他更好的参数，我明白你的意思了。我同意大多数情况下都是这样。在许多情况下，估计器的性能停滞（或几乎停滞）在某一特定值
n_iter
。在这种情况下，找到这个值会很有趣。在这种情况下，仅查看gridsearch选择的最佳参数确实没有多大意义。但您可以使用gridsearch来绘制采样的超参数曲面，然后将
n_iter
包含在内是非常有意义的。