我在pipeline中定义了一个模型的超参数，并且算法在执行时可能会使用GridsearchCV，如果确实使用了GridsearchCV，那么之前在pipeline中定义的超参数会发生什么？
Pipeline
pipe_nusvc = Pipeline([('clfnu', NuSVC(nu=0.5,kernel='rbf'))])我可以添加参数使用
pipe_nusvc['clfnu'].cache_size=300我考虑过如果使用GridsearchCV时，从pipeline中移除已添加的cache_size
如果使用GridsearchCV，pipeline中定义的cache_size=300仍然会存在，并且在运行过程中没有办法移除它，那么如果在pipeline和GridsearchCV中定义了相同的超参数会发生什么？
回答：
你不能“移除”cache_size；它是NuSVC对象的一个参数。你可以将其重置为默认值，但200已经是默认值了。
如果你为一个参数设置了一个值（无论是在初始化时，使用set_params，还是像你写的那样手动设置），那么这个值就会覆盖默认值，并且会一直保持这个状态，直到你再次更改它。
sklearn有一个名为“clone”的工具：它会返回一个相同类型的新的估计器，具有相同的参数设置，但没有拟合/学习的属性。
在网格搜索中，估计器（在本例中是pipeline）会被克隆，每个克隆体会被分配一种参数组合（覆盖你之前可能设置的任何东西）。所以如果你在pipeline的定义中设置了cache_size，或者像你的代码中那样稍后设置，但你在网格搜索中也设置了cache_size，那么只有网格中的值才重要。原始的pipeline，在网格搜索之外，会独立存在并保留你设置的cache_size，但搜索的cv_results_和best_estimator_不会如此。另一方面，如果你的参数网格中没有cache_size，那么之前设置的任何值都会在搜索的每一个参数组合中使用。
