在sklearn中将参数传递给管道的fit()

Question

我有一个滑雪管道与PolynomialFeatures()和LinearRegression()系列。我的目标是利用多项式特征的不同degree对数据进行拟合，并测量分数。以下是我使用的代码-

steps = [('polynomials',preprocessing.PolynomialFeatures()),('linreg',linear_model.LinearRegression())]
pipeline = pipeline.Pipeline(steps=steps)

scores = dict()
for i in range(2,6):
    params = {'polynomials__degree': i,'polynomials__include_bias': False}
    #pipeline.set_params(**params)
    pipeline.fit(X_train,y=yCO_logTrain,**params)
    scores[i] = pipeline.score(X_train,yCO_logTrain)

scores

我收到错误- TypeError: fit() got an unexpected keyword argument 'degree'。

为什么即使参数以<estimator_name>__<parameter_name>格式命名，也会引发此错误？

Answer 1

根据文档

**fit_paramsdict的字符串->对象参数传递给每个步骤的fit方法，其中每个参数名都有前缀，因此步骤s的参数p有键s__p。

这意味着以这种方式传递的参数直接传递给s step .fit()方法。如果检查PolynomialFeatures文档，则在构造PolynomialFeatures对象时使用degree参数，而不是在其.fit()方法中使用。

如果要尝试管道中的估值器/转换器的不同超参数，可以使用如图所示的GridSearchCV。下面是链接中的示例代码：

from sklearn.pipeline import Pipeline
from sklearn.feature_selection import SelectKBest
pipe = Pipeline([
    ('select', SelectKBest()),
    ('model', calibrated_forest)])
param_grid = {
    'select__k': [1, 2],
    'model__base_estimator__max_depth': [2, 4, 6, 8]}
search = GridSearchCV(pipe, param_grid, cv=5).fit(X, y)