Scikit learn 如何在投票分类器（Sklearn）中调整权重

我正在努力做到以下几点：

vc = VotingClassifier(estimators=[('gbc',GradientBoostingClassifier()),
                       ('rf',RandomForestClassifier()),('svc',SVC(probability=True))],
                       voting='soft',n_jobs=-1)

params = {'weights':[[1,2,3],[2,1,3],[3,2,1]]}
grid_Search = GridSearchCV(param_grid = params, estimator=vc)
grid_Search.fit(X_new,y)
print(grid_Search.best_Score_)

在这里，我想调整参数

weights

。如果我使用

GridSearchCV

，这会花费很多时间。因为它需要为每个迭代拟合模型。我想这不是必须的。最好使用

prefit

之类的东西，在

SelectModelFrom

函数中使用

sklearn.model\u selection

有没有其他选择，或者我误解了什么？

（在我的回购协议中）会这样做

---

它包含一个类

VotingClassifierCV

。它首先对所有分类器进行交叉验证预测。然后对所有权重进行循环，选择最佳组合，并使用预先计算的预测。

GridSearchCV将根据提供的

cv

将数据分割为训练和测试，然后在测试数据上对其评分。由于您不想重新拟合估计器，您希望他们在哪些数据上打分：训练、测试还是所有数据？如果我进行GridSearchCV，它将为我指定的每个

权重列表创建模型。但我想要实现的是，对我给出的所有权重使用相同的模型。我想使用
prefit
，但在中没有
prefit
选项GridSeachCV@VivekKumar为了更好地解释，我编辑了问题代码。好心的，看。不，你不明白我在说什么。请查看GridSearchCV的
cv
参数。如果未指定，则使用默认的3倍cv。也就是说，2倍的数据将用于训练估计员，第三倍的数据用于评分。我想问的是，您想要获得分数的数据是什么？我建议您为此编写自定义代码。可以使用展开参数，然后相应地使用它们。