我想在sklearn的RandomizedSearchCV中使用Pipeline。然而，目前我认为只支持估计器。这里有一个我希望能够实现的例子：
import numpy as npfrom sklearn.grid_search import RandomizedSearchCVfrom sklearn.datasets import load_digitsfrom sklearn.svm import SVCfrom sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline# get some datairis = load_digits()X, y = iris.data, iris.target# specify parameters and distributions to sample fromparam_dist = {'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf', 'linear'],}# create pipeline with a scaler steps = [('scaler', StandardScaler()), ('rbf_svm', SVC())]pipeline = Pipeline(steps)# do searchsearch = RandomizedSearchCV(pipeline, param_distributions=param_dist, n_iter=50)search.fit(X, y)print search.grid_scores_如果你直接这样运行，会得到以下错误：
ValueError: Invalid parameter kernel for estimator Pipeline在sklearn中，有没有好的方法来实现这个功能？
回答：
RandomizedSearchCV以及GridSearchCV确实支持Pipeline（实际上，它们的实现是独立的，而Pipeline被设计为与常规分类器等效）。
问题的关键在于，如果你考虑应该搜索哪些参数，这个问题就很简单了。因为Pipeline由多个对象组成（几个转换器 + 一个分类器），你可能希望为分类器和转换器找到最佳参数。因此，你需要以某种方式区分从哪里获取/设置属性。
所以你需要做的是，说明你想为某个参数找到值，比如，不仅仅是某个抽象的gamma（Pipeline根本没有这个参数），而是Pipeline的分类器的gamma，在你的例子中称为rbf_svm（这也证明了命名需求）。这可以通过在sklearn中广泛使用的嵌套模型的双下划线语法来实现：
param_dist = { 'rbf_svm__C': [1, 10, 100, 1000], 'rbf_svm__gamma': [0.001, 0.0001], 'rbf_svm__kernel': ['rbf', 'linear'],}