非常好的問題。如何將自定義的Pipline對象應用于sklearn內置的網格搜索確實是課程沒有講的一個sklearn使用上的語法細節：)

首先，你在31行的注釋分析的是正確的。由于此時，你在構建grid_search的時候，傳入的算法是log_reg。而log_reg是LogisticRegression的對象，但是創建LogisticRegression是并不需要參數degree，所以，這里會報錯。

正確的做法是，我們要對你創建的PolynomialLogisticRegression這個函數返回的對象進行網格搜索。這個函數的邏輯是返回了一個Pipeline的對象，這個Pipeline的對象中創建PolynomialFeatures時使用了degree這個參數。

為了方便起見，在這里，我為這個PolynomialLogisticRegression添加上了默認值。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()

我們需要針對poly_log_reg這個對象進行網格搜索：)

但是，在這里，poly_log_reg中包含三部分，每部分都有自己的參數。按照你寫的param_grid，參數名稱直接寫degree和C，GridSearchCV是無法認得這些參數名隸屬于哪一部分的。所以，在這種情況下，我們在設置param_grid的時候，參數名要顯示地表明這個參數屬于哪個部分。表示的方法是：{$Pipeline中的對象名稱}__{$參數名}

即，在Pipeline中的對象名稱，加上雙下換線(__)，再加上參數名稱。

所以，我們在網格搜索中，要搜索的兩個參數名稱應該是：poly__degree

log_reg__C

其中的poly和log_reg，是你在實例化這個Pipeline對象的時候，給每一部分起的那個名稱。

綜上，此時我們的param_grid，要這樣聲明：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]

}

]

現在，就可以按照以前一樣的方法使用GridSearchCV啦：)grid_search?=?GridSearchCV(poly_log_reg,?param_grid)

grid_search.fit(X_train,y_train)

整理一遍，我們的整個代碼就是這樣的：def?PolynomialLogisticRegression(degree?=?1,C?=?0.1):

return?Pipeline([

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

('std_scaler',?StandardScaler()),

('log_reg',?LogisticRegression(C=C))

])

#?待進行網格搜索的算法

poly_log_reg?=?PolynomialLogisticRegression()

#?準備待搜索的參數列表

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]

}

]

#?實例化GridSearchCV進行網格搜索

grid_search?=?GridSearchCV(poly_log_reg,?param_grid)

grid_search.fit(X_train,y_train)

看起來寫了很多，但是自己整理一遍，會發現其實這個語法非常簡單：)

加油！

總結

以上是生活随笔為你收集整理的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等超参数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。