Python 什么'；这里怎么了？意外引用现有实例而不是创建新实例

我希望能更自如地使用Python。我编写了一种迷你API，可以很容易地比较适合同一数据的不同统计模型，这样我就可以预先设置所有模型超参数，然后迭代不同的模型以适合它们

这就是我想做的本质：

围绕Scikit学习构建包装类

分类器

，然后基于Scikit学习的一个内置估计器构建，例如

创建这些未安装的

分类器的字典，以及要循环的不同参数字典

迭代两个字典，让每个未安装的

分类器

生成基础管道的新实例，使用其

[Pipeline.fit][1]

方法对其进行安装，并将新安装的管道保存在不同的字典中

然而，在每次迭代中，似乎不是生成管道的新实例，而是重新调整管道的同一实例（或者可能是基础估计器）。这是一个问题，因为

Pipeline.fit

方法修改了管道（和基础估计器），因此先前迭代的拟合结果都会被最终迭代的拟合结果覆盖

问题是，我不知道这个“父实例”是在哪里创建的，以及它是如何被引用的

这个问题的一个可复制的例子的基本设置是（在这里复制粘贴有点太长）。我在最后添加了一份打印声明来说明这个问题

---

对不起，如果这是一个有点模糊，但我不容易描述它。希望从示例中可以清楚地看到问题。

问题在于

结果['0']['rf']

和

结果['1']['rf']

实际上是同一个对象。因此，当您在循环中安装管道时：

results = dict()
for k in features.keys():
    results[k] = dict()
    for m in classifiers.keys():
        print(len(features[k]))
        results[k][m] = classifiers[m].fit(features[k], 'species', iris)

您正在重新安装一条已安装的管道，丢失了以前的工作

要解决这个问题，您需要在每次安装时创建一个新的

分类器实例。一种可能的方法是将
分类器
字典从包含
分类器
实例的字典更改为包含创建
分类器所需的参数的字典：

classifiers = {
    'rf': (RandomForestClassifier, n_estimators=100, oob_score=True, bootstrap=True),
    'ab': (AdaBoostClassifier, n_estimators=50)
}

现在，在循环中，您应该使用一种称为“tuple unpacking”的Python习惯用法来解压参数，并为每个组合创建一个单独的
分类器
实例

for k in features:
    results[k] = dict()
    for m in classifiers:
        print(len(features[k]))
        classifier = Classifier(*classifiers[m])
        results[k][m] = classifier.fit(features[k], 'species', iris)

请注意，要迭代字典中的键，只需为dct中的键编写
：
，而不是为dct中的键编写
。keys（）
这就是我认为我正在做的事情。这是
make_pipe
函数的作用，顺便说一句，我知道这是你的意思，但实际上是
results['0']['rf'].steps[2][1]
和
id（results['1']['rf'].steps[2][1]
相同：
打印（id（results['0']['rf'].steps[2][1]），id（results['1']['rf 1'].steps[2][1]），sep=\n']
与
打印（id（结果['0']['rf']）、id（结果['1']['rf']）、sep='\n'）
@ssdecontrol啊，我看我看错了你的代码。我以为
fit
是在修改
分类器
，但实际上它调用了
make_pipe
，它创建了一个新的管道对象，然后拟合该管道并返回它。所以你是对的。真正的问题是你正在创建一个
RandomFores的实例tClassifier
或
AdaBoostClassifier
当您初始化
分类器时，每次使用
make\u pipe
创建新管道时都会使用相同的实例。当然，您可以通过将创建分类器的代码从
\uu init\uuuuu
移动到
make\u pipe
来解决这个问题。是的这正是我所做的。谢谢！这是我在R中开发的功能，但还没有找到令人满意的解决方案。