我想知道在sklearn分类器中是否有选项可以使用某些超参数进行拟合，然后在更改几个超参数后，通过保存计算（拟合）成本来重新拟合模型。

假设我们使用C=1e5拟合逻辑回归（logreg=linear_model.LogisticRegression(C=1e5)），然后只将C更改为C=1e3。因为只更改了一个参数，我希望能够节省一些计算量。

回答：

是的，有一种称为warm_start的技术，根据文档的引用，它的意思是：

warm_start : bool, 默认值: False
当设置为True时，重复使用前一次调用fit的解决方案作为初始化，否则，只需清除前一次的解决方案。对于liblinear求解器无效。

如文档中所述，这里提到，它在LogisticRegression中可用：

sklearn.linear_model.LogisticRegression(..., warm_start=False, n_jobs=1)

具体来说，对于你的情况，你可以这样做：

from sklearn.linear_model import LogisticRegression # 创建一个warm_start=True的LogisticRegression实例logreg = LogisticRegression(C=1e5, warm_start=True)# 你可以这样访问C参数的值logreg.C # 它被设置为100000.0# .... # 在这里通过调用logreg.fit(..)来训练你的模型# ....# 像这样重置C参数的值 logreg.C = 1e3 logreg.C # 现在它被设置为1000.0# .... # 在这里通过调用logreg.fit(..)重新训练你的模型# ....

据我快速检查，它也适用于以下情况：

• sklearn.ensemble.RandomForestClassifier
• sklearn.ensemble.GradientBoostingClassifier
• sklearn.linear_model.PassiveAggressiveClassifier
• sklearn.ensemble.BaggingClassifier
• sklearn.ensemble.ExtraTreesClassifier