在GridSearchCV中，如何只传递param_grid中的默认参数？

Question

我是一个初学者，我有以下代码。在

from sklearn.naive_bayes import GaussianNB
from sklearn.decomposition import PCA

pca = PCA()
model = GaussianNB()
steps = [('pca', pca), ('model', model)]
pipeline = Pipeline(steps)

cv = StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=42)
modelwithpca = GridSearchCV(pipeline, param_grid= ,cv=cv)
modelwithpca.fit(X_train,y_train)

这是一个本地测试，我要做的是

i.对数据集执行PCA

二。只使用默认参数的高斯朴素贝叶斯

三、使用分层分光光度计

最后，我希望将上述步骤转移到另一个函数中，该函数转储分类器、数据集和特性列表，以测试性能。在

^{pr2}$

在param_grid部分，我不想测试任何参数列表。如果有意义的话，我只想在Gaussian naivebayes中使用默认参数。我要改变什么？在

对于如何实例化分类器对象，是否应该有任何更改？在

Answer 1

GridSearchCV的目的是用不同的参数测试管道中至少一件事（如果您不想测试不同的参数，则不需要使用GridSearchCV）。 所以，一般来说，如果你想测试不同的PCAn_components。 与GridSearchCV一起使用管道的格式如下：

gscv = GridSearchCV(pipeline, param_grid={'{step_name}__{parameter_name}': [possible values]}, cv=cv)

例如：

^{pr2}$

如果如上所述使用GridSearchCV来调整PCA，这当然意味着模型将具有默认值。在

如果不需要参数调整，那么GridSearchCV不是最佳选择，因为像这样对GridSearchCV使用模型的默认参数，只会生成一个包含一个组合的参数网格，因此它就像只执行CV一样。这样做是没有意义的-如果我正确理解了你的问题：

from sklearn.naive_bayes import GaussianNB
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline

pca = PCA()
model = GaussianNB()
steps = [('pca', pca), ('model', model)]
pipeline = Pipeline(steps)

cv = StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=42)
# get the default parameters of your model and use them as a param_grid
modelwithpca = GridSearchCV(pipeline, param_grid={'model__' + k: [v] for k, v in model.get_params().items()}, cv=cv)

# will run 5 times as your cv is configured
modelwithpca.fit(X_train,y_train)

希望这有帮助，祝你好运！在