如何在 Scikit-learn 中使用不同的数据重新训练管道？

Question

我使用管道进行机器学习 model 训练，使用 Python 进行 K 折交叉验证，并对我所有历史数据的一个子集进行 sklearn（省略测试集），如下所示：

pipeline = Pipeline([("combiner", PolynomialFeatures()),
                     ("dimred", PCA()),
                     ("classifier", RandomForestClassifier())])

parameters = [...]

CV = GridSearchCV(pipeline, parameters, cv=5, scoring="f1_weighted", refit=True, n_jobs=-1)
CV.fit(train_X, train_y)

到目前为止，一切都很好。 然而，最后，我想在我的完整 X 和 y 上重新训练获胜的管道超参数组合，而不进行任何交叉验证。 我怎么会有这个？ 简单地再次应用CV.fit(X, y)将重新使用 CV 进行整个交替过程，这显然是不必要的。 我还可以解析CV.get_params()以获得最佳组合超参数并相应地再次构建管道，但这在某种程度上看起来笨拙且不专业......

Answer 1

您的问题的答案在GridSearchCV 文档中。 请参阅属性部分： best_estimator_是存储最佳 model 的位置，因此您可以在完成拟合后从那里访问它。 您可以通过直接调用 `CV.best_estimatory_' 来使用它，您可以对它进行新的引用或 pickle 它以供以后使用joblib ，即：

import joblib
joblib.dump(CV.best_estimator_, 'my_pipeline.pkl')

稍后您可以加载您的 model 以进行进一步的工作：

import joblib
my_pipeline = joblib.load('my_pipeline.pkl')

如果您不需要 model，而只需要它的超参数，您可以从best_params_属性访问它们，即：

CV.best_params_

这是一本字典，包含可用于构建新管道的最佳设置。