我正在运行一个使用OneVsRestClasssifer和SVC作为估计器的GridSearchCV。这是我的Pipeline和GridSearchCV参数的设置：

pipeline = Pipeline([    ('clf', OneVsRestClassifier(SVC(verbose=True), n_jobs=1)),    ])parameters = {    "clf__estimator__C": [0.1, 1],    "clf__estimator__kernel": ['poly', 'rbf'],    "clf__estimator__degree": [2, 3],}grid_search_tune = GridSearchCV(pipeline, parameters, cv=2, n_jobs=8, verbose=10)grid_search_tune.fit(train_x, train_y)

根据SVC的文档，degree参数仅被poly核使用：

http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

degree : int, optional (default=3)

多项式核函数（’poly’）的次数。其他所有核函数忽略此参数。

但是，当我查看GridSearchCV的输出时，似乎它正在为每个使用rbf核和不同degree参数值的SVC配置进行不同的运行。

[CV] clf__estimator__kernel=poly, clf__estimator__C=0.1, clf__estimator__degree=2[CV] clf__estimator__kernel=poly, clf__estimator__C=0.1, clf__estimator__degree=2[CV] clf__estimator__kernel=rbf, clf__estimator__C=0.1, clf__estimator__degree=2[CV] clf__estimator__kernel=rbf, clf__estimator__C=0.1, clf__estimator__degree=2[CV] clf__estimator__kernel=poly, clf__estimator__C=0.1, clf__estimator__degree=3[CV] clf__estimator__kernel=poly, clf__estimator__C=0.1, clf__estimator__degree=3[CV] clf__estimator__kernel=rbf, clf__estimator__C=0.1, clf__estimator__degree=3[CV] clf__estimator__kernel=rbf, clf__estimator__C=0.1, clf__estimator__degree=3

当核设置为rbf时，不应该忽略所有degree值吗？

回答：

这里显示的输出只是GridSearchCV传递给内部估计器（即SVC）的不同参数组合。但它们是否被使用取决于SVC。在这种情况下，SVC不会抛出任何错误，但也不会使用degree。你应该打印出所有你怀疑的参数组合的分数。它们应该是相等的。这将告诉你degree参数未被使用。

注意：请确保设置GridSearchCV的random_state以重复测试。

解释：GridSearchCV的工作只是传递参数，将训练数据传递给估计器进行拟合，然后使用测试数据进行评分，并返回产生最佳分数的参数组合。

当向估计器传递不兼容的参数组合时，是否忽略参数或引发错误取决于实现方式。

例如，在LogisticRegression中有两个参数：

penalty : str, ‘l1’ or ‘l2’, default: ‘l2’          用于指定惩罚中使用的范数。solver : {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’}, default: ‘liblinear’.          用于优化问题的算法。        ‘newton-cg’, ‘lbfgs’和‘ sag’只能处理L2惩罚。 

如你所见，如果我使用l1惩罚和newton-cg求解器，会导致不兼容。因此，估计器可能会完全忽略惩罚参数或抛出错误。在这种情况下，它会抛出错误。