我想将PCA和SVM组合成一个管道，通过网格搜索找到最佳的超参数组合。
以下是代码
from sklearn.svm import SVCfrom sklearn import decomposition, datasetsfrom sklearn.pipeline import Pipelinefrom sklearn.model_selection import GridSearchCVdigits = datasets.load_digits()X_train = digits.datay_train = digits.target#使用主成分分析来降低维度#并提高泛化能力pca = decomposition.PCA()#使用线性SVcsvm = SVC()#将PCA和SVC组合成一个管道pipe = Pipeline(steps=[('pca', pca), ('svm', svm)])#检查SVC的训练时间n_components = [20, 40, 64]svm_grid = [ {'C': [1, 10, 100, 1000], 'kernel': ['linear']}, {'C': [1, 10, 100, 1000], 'gamma': [0.001, 0.0001], 'kernel': ['rbf']}, ]estimator = GridSearchCV(pipe, dict(pca__n_components=n_components, svm=svm_grid))estimator.fit(X_train, y_train)结果出现
AttributeError: 'dict' object has no attribute 'get_params'可能是由于定义和使用svm_grid的方式有问题。我应该如何正确地将这些参数组合传递给GridSearchCV？
回答：
问题在于当GridSearchCV尝试将参数传递给估计器时：
if parameters is not None: estimator.set_params(**parameters) 这里的估计器是一个Pipeline对象，而不是实际的svm，因为参数网格中的命名问题。
我认为应该这样做：
from sklearn.svm import SVCfrom sklearn import decomposition, datasetsfrom sklearn.pipeline import Pipelinefrom sklearn.model_selection import GridSearchCVdigits = datasets.load_digits()X_train = digits.datay_train = digits.target#使用主成分分析来降低维度#并提高泛化能力pca = decomposition.PCA()#使用线性SVcsvm = SVC()#将PCA和SVC组合成一个管道pipe = Pipeline(steps=[('pca', pca), ('svm', svm)])#检查SVC的训练时间n_components = [20, 40, 64]params_grid = { 'svm__C': [1, 10, 100, 1000], 'svm__kernel': ['linear', 'rbf'], 'svm__gamma': [0.001, 0.0001], 'pca__n_components': n_components,}estimator = GridSearchCV(pipe, params_grid)estimator.fit(X_train, y_train)print estimator.best_params_, estimator.best_score_输出结果：
{'pca__n_components': 64, 'svm__C': 10, 'svm__kernel': 'rbf', 'svm__gamma': 0.001} 0.976071229827将所有参数都包含在params_grid中，并根据命名步骤相应地命名它们。
希望这对你有帮助！祝你好运！
