我是机器学习的新手，正在尝试根据给定的标记数据集预测文章的主题，每个数据集包含一篇文章中的所有单词。总共有11个不同的主题，每篇文章只有一个主题。我已经构建了一个流程管道：

classifier = Pipeline([    ('vectorizer', CountVectorizer()),    ('tfidf', TfidfTransformer()),    ('clf', OneVsRestClassifier(XGBClassifier(objective="multi:softmax", num_class=11), n_jobs=-1)),])

我正在尝试实现GridsearchCV来寻找最佳超参数：

parameters = {'vectorizer__ngram_range': [(1, 1), (1, 2),(2,2)],               'tfidf__use_idf': (True, False)}gs_clf_svm = GridSearchCV(classifier, parameters, n_jobs=-1, cv=10, scoring='f1_micro')gs_clf_svm = gs_clf_svm.fit(X, Y)

这运行得很好，但是，我如何调整XGBClassifier的超参数呢？我尝试使用以下符号：

parameters = {'clf__learning_rate': [0.1, 0.01, 0.001]}

它不起作用，因为GridSearchCV正在寻找OneVsRestClassifier的超参数。那么如何实际调整XGBClassifier的超参数呢？另外，您建议我应该调整哪些超参数来解决我的问题？

回答：

当前，管道在OneVsRestClassifier中查找learning_rate参数，找不到（不出所料，因为该模块没有这样的参数），并引发错误。由于您实际上想要的是XGBClassifier的learning_rate参数，您应该深入一级，即：

parameters = {'clf__estimator__learning_rate': [0.1, 0.01, 0.001]}