c语言网格搜索,使用逻辑回归时怎么利用网格搜索来查找degree,c等超参数

非常好的问题。如何将自定义的Pipline对象应用于sklearn内置的网格搜索确实是课程没有讲的一个sklearn使用上的语法细节：)

首先，你在31行的注释分析的是正确的。由于此时，你在构建grid_search的时候，传入的算法是log_reg。而log_reg是LogisticRegression的对象，但是创建LogisticRegression是并不需要参数degree，所以，这里会报错。

正确的做法是，我们要对你创建的PolynomialLogisticRegression这个函数返回的对象进行网格搜索。这个函数的逻辑是返回了一个Pipeline的对象，这个Pipeline的对象中创建PolynomialFeatures时使用了degree这个参数。

为了方便起见，在这里，我为这个PolynomialLogisticRegression添加上了默认值。def PolynomialLogisticRegression(degree = 1, C = 0.1):

return Pipeline([

('poly', PolynomialFeatures(degree=degree)),

('std_scaler', StandardScaler()),

('log_reg', LogisticRegression(C=C))

])

poly_log_reg = PolynomialLogisticRegression()

我们需要针对poly_log_reg这个对象进行网格搜索：)

但是，在这里，poly_log_reg中包含三部分，每部分都有自己的参数。按照你写的param_grid，参数名称直接写degree和C，GridSearchCV是无法认得这些参数名隶属于哪一部分的。所以，在这种情况下，我们在设置param_grid的时候，参数名要显示地表明这个参数属于哪个部分。表示的方法是：{$Pipeline中的对象名称}__{$参数名}

即，在Pipeline中的对象名称，加上双下换线(__)，再加上参数名称。

所以，我们在网格搜索中，要搜索的两个参数名称应该是：poly__degree

log_reg__C

其中的poly和log_reg，是你在实例化这个Pipeline对象的时候，给每一部分起的那个名称。

综上，此时我们的param_grid，要这样声明：C_PARM = [0.1,0.2,0.3,0.4,0.5]

param_grid = [

{

'poly__degree': [i for i in range(1, 11)],

'log_reg__C': [i for i in C_PARM]

}

]

现在，就可以按照以前一样的方法使用GridSearchCV啦：)grid_search = GridSearchCV(poly_log_reg, param_grid)

grid_search.fit(X_train,y_train)

整理一遍，我们的整个代码就是这样的：def PolynomialLogisticRegression(degree = 1,C = 0.1):

return Pipeline([

('poly', PolynomialFeatures(degree=degree)),

('std_scaler', StandardScaler()),

('log_reg', LogisticRegression(C=C))

])

# 待进行网格搜索的算法

poly_log_reg = PolynomialLogisticRegression()

# 准备待搜索的参数列表

C_PARM = [0.1,0.2,0.3,0.4,0.5]

param_grid = [

{

'poly__degree': [i for i in range(1, 11)],

'log_reg__C': [i for i in C_PARM]

}

]

# 实例化GridSearchCV进行网格搜索

grid_search = GridSearchCV(poly_log_reg, param_grid)

grid_search.fit(X_train,y_train)

看起来写了很多，但是自己整理一遍，会发现其实这个语法非常简单：)

加油！