Scikit learn BaggingClassifier参数内部参数的网格搜索

这是一个后续，但我相信它值得它自己的线程

在上一个问题中，我们讨论的是“集合分类器的集合，其中每个分类器都有自己的参数。”让我们从他在回答中提供的示例开始：

my_est = BaggingClassifier(RandomForestClassifier(n_estimators = 100, bootstrap = True, 
      max_features = 0.5), n_estimators = 5, bootstrap_features = False, bootstrap = False, 
      max_features = 1.0, max_samples = 0.6 )

现在我想说的是，除了效率、计算成本等考虑因素之外，还有一个普遍的概念：我将如何使用这种设置运行网格搜索

我可以沿着这些线设置两个参数网格：

一个用于装袋分类器：

BC_param_grid = {
'bootstrap': [True, False],
'bootstrap_features': [True, False],    
'n_estimators': [5, 10, 15],
'max_samples' : [0.6, 0.8, 1.0]
}

RFC_param_grid = {
'bootstrap': [True, False],    
'n_estimators': [100, 200, 300],
'max_features' : [0.6, 0.8, 1.0]
}

一个用于

随机森林分类器

：

BC_param_grid = {
'bootstrap': [True, False],
'bootstrap_features': [True, False],    
'n_estimators': [5, 10, 15],
'max_samples' : [0.6, 0.8, 1.0]
}

RFC_param_grid = {
'bootstrap': [True, False],    
'n_estimators': [100, 200, 300],
'max_features' : [0.6, 0.8, 1.0]
}

现在我可以用我的估计器调用网格搜索：

grid_search = GridSearchCV(estimator = my_est, param_grid = ???)

在这种情况下，如何处理

param_grid

参数？或者更具体地说，如何使用我设置的两个参数网格

---

我必须说，这感觉就像是在玩。

在上面@James Dellinger的评论之后，我从那里扩展，我能够完成它。事实证明，“秘密酱汁”确实是一个大部分未记录的特性-分隔符（双下划线）（文档中有一些对它的传递引用）：似乎是在一个内部/基本估计器参数的名称中添加了内部/基本估计器名称，然后加上这个

。

，允许您创建一个

参数网格

，其中包括外部和内部估计器的参数

因此，对于问题中的示例，外部估计器是

BaggingClassifier

，内部/基础估计器是

RandomForestClassifier

。因此，您需要做的是，首先，导入需要导入的内容：

from sklearn.ensemble import BaggingClassifier, RandomForestClassifier
from sklearn.model_selection import GridSearchCV

然后是

param_grid

赋值（在本例中为问题示例中的赋值）：

最后，您的网格搜索：

grid_search=GridSearchCV(BaggingClassifier(base_estimator=RandomForestClassifier()), param_grid=param_grid, cv=5)

---

然后你就可以参加比赛了。

我建议尝试一下这里推荐的方法：。显然，将

base\u estimator\uuuu=[…]

，即

base\u estimator\uu max\u depth=[…]

放入

param\u网格

足以告诉GridSearchCV，该特定参数列表用于基本估计器的超参数之一（在您的情况下是一个随机森林分类器）。@James Dellinger-谢谢，这很有效！我听从了你的建议，并从那里开始扩展。为了我们的子孙后代的利益，我将发布最终版本作为答案。。。