第三个参数 (kwargs) sklearn fit() 函数答案

【问题标题】：Third parameter (kwargs) sklearn fit() function第三个参数 (kwargs) sklearn fit() 函数
【发布时间】：2020-09-18 20:26:06
【问题描述】：

我对 scikit-learn 很陌生，我对 fit() 函数有疑问。我试图在互联网上查找信息，但找不到太多信息。在分配中，我必须创建一个传递给分类器拟合函数的参数字典，这意味着该函数将采用 3 个参数（X、y、kwargs）。这本字典应该有什么参数？显然，这些是 fit 函数的超参数。在网上我只找到了 xgbooster 的信息，但我不应该使用它，只有来自 sklearn 的分类器。

我还在网上发现 fit 可以接受一个名为 **fit_params 的字典，但函数可能采用的参数却一无所获。

希望我的问题很清楚，提前非常感谢！

【问题讨论】：

标签： python scikit-learn

【解决方案1】：

模型超参数不是fit 函数的参数，而是您需要预先创建的模型类对象的参数。

如果您有一个包含要传递给模型的参数的字典，则需要以这种方式执行操作（此处使用 Logistic 回归）：

from sklearn.linear_model import LogisticRegression
params = {"C":10, "max_iter":200}
LR = LogisticRegression(**params)

现在您已经创建了指定超参数的模型，您可以继续使用您的数据进行拟合。

LR.fit(X, y)

【讨论】：

谢谢，显然字典是为了传递一些分类器需要为fit函数指定的参数（主要是sample_weight，或者check_input...）

【解决方案2】：

我以前没有使用过 scikit-learn，但是你可以通过使用 __doc__ 方法获取你不确定的函数的文档。估计器的fit() 方法为其__doc__ 方法返回此值：

Fit the SVM model according to the given training data.

        Parameters
        ----------
        X : {array-like, sparse matrix} of shape (n_samples, n_features)                 or (n_samples, n_samples)
            Training vectors, where n_samples is the number of samples
            and n_features is the number of features.
            For kernel="precomputed", the expected shape of X is
            (n_samples, n_samples).

        y : array-like of shape (n_samples,)
            Target values (class labels in classification, real numbers in
            regression)

        sample_weight : array-like of shape (n_samples,), default=None
            Per-sample weights. Rescale C per sample. Higher weights
            force the classifier to put more emphasis on these points.

        Returns
        -------
        self : object

        Notes
        -----
        If X and y are not C-ordered and contiguous arrays of np.float64 and
        X is not a scipy.sparse.csr_matrix, X and/or y may be copied.

        If X is a dense array, then the other methods will not support sparse
        matrices as input.

我运行它以获得该输出：

from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100.)
print(clf.fit.__doc__)

【讨论】：

感谢您的信息。我想那时没有第三个输入，我会尝试使用不同的分类器！