Python GridsearchSV能否包括列车试验的随机分组

使用Sklearn，GridSearchCV可以测试分类器函数的多个变量，例如：

parameters = {
  'learning_rate': [0.001,0.005,0.003],
  'n_estimators': [300,800,1200],
  'criterion': ['friedman_mse','mse','mae'],
  'verbose':[1],
  'loss' : ['deviance','exponential'],
  'random_state':[0]
  }

GBC = GradientBoostingClassifier()
grid = GridSearchCV(GBC, parameters)
grid.fit(X,y )   # X = data,  y = result
best_est = grid.best_estimator_
print(best_est)

predictions = best_est.predict(T) # T contains data to apply it on.

from sklearn.model_selection import GridSearchCV, ShuffleSplit

GBC = GradientBoostingClassifier()
grid = GridSearchCV(GBC,
                    param_grid=parameters,
                    cv=ShuffleSplit(train_size=X.shape[0],
                                    test_size=.3,
                                    n_splits=5,
                                    random_state=41))
grid.fit(X, y)

但如果有人想做交叉验证呢？例如，以类似于

列车测试\u分割的方式：

  X_train, X_test, y_train, y_test = train_test_split(X, y,  random_state=41)

这里我们有一个
随机状态
（这可能会产生很大的影响）。
是否可以将GridSearchCV包含在几个随机数的数组中，以确保它在某些数据的训练/测试分割的“大多数”随机状态下最佳工作

作为记录，我知道这不在GridSearchCV中（或者据我所知），我在这里问这样一个方法可能是什么样子。也许有一些聪明的方法可以做到这一点？
您可以指定
ShuffleSplit
作为交叉验证生成器

例如：

parameters = {
  'learning_rate': [0.001,0.005,0.003],
  'n_estimators': [300,800,1200],
  'criterion': ['friedman_mse','mse','mae'],
  'verbose':[1],
  'loss' : ['deviance','exponential'],
  'random_state':[0]
  }

GBC = GradientBoostingClassifier()
grid = GridSearchCV(GBC, parameters)
grid.fit(X,y )   # X = data,  y = result
best_est = grid.best_estimator_
print(best_est)

predictions = best_est.predict(T) # T contains data to apply it on.

from sklearn.model_selection import GridSearchCV, ShuffleSplit

GBC = GradientBoostingClassifier()
grid = GridSearchCV(GBC,
                    param_grid=parameters,
                    cv=ShuffleSplit(train_size=X.shape[0],
                                    test_size=.3,
                                    n_splits=5,
                                    random_state=41))
grid.fit(X, y)

我不知道这是可能的。