Scikit learn GridSearchCV（OneVsRestClassifier（clf，…）：所有N个分类器的1个最优超参数集，而每个分类器的1个最优超参数集

背景

比方说，在一个多类（分别为多标签）问题中，我们有

L

标签可以预测。使用

OneVsRestClassifier

，正在构建

L

分类器。让我们假设，我们对单个分类器使用

LogisticRegression

使用

GridSearchCV

（分别为

RandomizedSearchCV

）搜索最佳超参数时，我们运行：

问题

通过运行上面的

GridSearchCV

命令，我们将获得一组最佳超参数，用于训练（重新安装）所有

L

分类器。因此，例如，我们将得到一个最佳值

C=10

，该值将用于重新安装

L

分类器的所有

我的问题是为什么

GridSearchCV

没有为每个

L

分类器返回一组不同的最优超参数。例如，

label0

是否为最佳

C=10

，

label1

是否为最佳

C=0.01

？ 为什么决定返回一组超参数，而不是每个分类器返回一组超参数

以前的经验

---

我这样问是因为这种行为与我“手工”训练每个标签分类器时通常得到的不同。例如，对于某些任务，我有数千个标签要预测，我单独训练每个标签分类器（分布在多台机器上），因此我可以肯定地得到每个标签分类器的不同超参数值。

我遇到了完全相同的问题，但我没有注意到单个参数/

GridSearchCV（）返回的分数。最佳参数

或

。最佳分数

对应于重新安装到所有分类器的最佳选择。是否有任何文件证实这一点？

GridSearchCV( OneVsRestClassifier( LogisticRegression(), ...) ).fit(X, y)