是否可以使用 gridsearchCV 和 sklearn 的 make_pipeline 执行超参数调整答案

【问题标题】：Is it possible to perform hyper parameter tuning using gridsearchCV with make_pipeline from sklearn是否可以使用 gridsearchCV 和 sklearn 的 make_pipeline 执行超参数调整
【发布时间】：2020-12-29 16:17:59
【问题描述】：

目前，我可以通过使用make_column_transformer 和make_pipeline 来构建一个看起来像这样的模型：

from sklearn.compose import make_column_transformer
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
from sklearn.tree import DecisionTreeClassifier
from sklearn.pipeline import make_pipeline

[in]: dtc = DecisionTreeClassifier()

[in]: column_trans = make_column_transformer(
    (OneHotEncoder(handle_unknown='ignore'), ['var1', 'var2',
                                              'var3', 'var4', 'var5', 'var6'
                                              ]),
    remainder='passthrough')

[in]: column_trans.fit_transform(X)

[in] pipe = make_pipeline(column_trans, dtc)

[in]: cross_val_score(pipe, X_train, y_train, cv=5, scoring='accuracy').mean()

[out]: ... prediction

我浏览了文档，似乎找不到任何可以将流程简化为 gridsearchCV 的内容

【问题讨论】：

标签： python-3.x pandas machine-learning scikit-learn gridsearchcv

【解决方案1】：

这是一个关于 scikit-learn 的示例，其中 GridSearchCV 在管道中使用：https://scikit-learn.org/stable/tutorial/statistical_inference/putting_together.html

您提到的make_pipelinemethod 是“管道构造函数的简写”（Reference），它只返回管道对象。所以最后直接使用管道构造函数会得到同样的结果，你可以用他们的例子来定位自己。

我假设，您想在调用cross_val_score() 方法之前执行GridSearchCV，以确定最佳参数。

因此，您可以像他们的一样调整您的代码：

search = GridSearchCV(pipe, your_param_grid)
search.fit(X_train, y_train)
print(search.best_params_)

【讨论】：