具有大量参数的 sklearn 自定义估算器答案

【问题标题】：Custom estimator for sklearn with a lot of params具有大量参数的 sklearn 自定义估算器
【发布时间】：2019-12-11 14:24:58
【问题描述】：

我正在尝试使用大量参数为 sklearn 制作自定义估算器。据我了解，我应该这样做：

    class MyEstim(BaseEstimator):

     def __init__(self, param1, param2):
      super().__init__()

     self.param1 = param1
     self.param2 = param2
     ...

但是如果我有数十或数百个参数，我不知道该怎么做。构建参数 - 有效值列表不是问题，但我不明白如何更好地将此列表传递给估算器以使其在 sklearn 中工作。

这样的事情对我不起作用：

         def __init__(self, **kwargs):
          super().__init__()
          # init params from kwargs

因为据我了解，sklearn 代码中有一些约定，所以它只能初始化在__init___ 函数中明确定义的参数。

【问题讨论】：

标签： python parameters scikit-learn

【解决方案1】：

只要您的get_params 和set_params 方法按预期工作，您就可以使用**kwargs。

例子：

（取自我撰写的blog post）


class LoggingEstimator(BaseEstimator):
    def __init__(self, est_class=LinearRegression, **kwargs):

        self.est_class = est_class

        # kwargs depend on the model used, so assign them whatever they are
        for key, value in kwargs.items():
            setattr(self, key, value)

        self._param_names = ['est_class'] + list(kwargs.keys())

    def get_params(self, deep=True):
        # Note: we are ignoring the deep parameter
        # this will not work with estimators that have sub-estimators
        # see https://scikit-learn.org/stable/developers/develop.html#get-params-and-set-params
        return {param: getattr(self, param)
                for param in self._param_names}

    def set_params(self, **parameters):
        for parameter, value in parameters.items():
            setattr(self, parameter, value)

        return self

【讨论】：