基本上，我希望将列索引视为超参数。然后在pipeline中与其他模型超参数一起调整这个超参数。在下面的例子中，col_idx是我的超参数。我定义了一个名为log_columns的函数，可以对某些列进行对数变换，并且该函数可以传递给FunctionTransformer。然后将FunctionTransformer和模型放入pipeline中。

from sklearn.svm import SVCfrom sklearn.decomposition import PCAfrom sklearn.datasets import load_digitsfrom sklearn.pipeline import make_pipelinefrom sklearn.model_selection import GridSearchCVfrom sklearn.preprocessing import FunctionTransformerdef log_columns(X, col_idx = None):    log_func = np.vectorize(np.log)    if col_idx is None:        return X    for idx in col_idx:        X[:,idx] = log_func(X[:,idx])    return Xpipe = make_pipeline(FunctionTransformer(log_columns, ), PCA(), SVC())param_grid = dict(functiontransformer__col_idx = [None, [1]],              pca__n_components=[2, 5, 10],              svc__C=[0.1, 10, 100],              )grid_search = GridSearchCV(pipe, param_grid=param_grid)digits = load_digits()res = grid_search.fit(digits.data, digits.target)

然后，我收到了以下错误消息：

ValueError: Invalid parameter col_idx for estimator FunctionTransformer(accept_sparse=False, check_inverse=True,      func=<function log_columns at 0x1764998c8>, inv_kw_args=None,      inverse_func=None, kw_args=None, pass_y='deprecated',      validate=None). Check the list of available parameters with `estimator.get_params().keys()`.

我不确定FunctionTransformer是否允许我按预期进行操作。如果不行，我渴望了解其他优雅的方法。谢谢！

回答：

col_idx不是FunctionTransformer类的有效参数，但kw_args是。kw_args是func的附加关键字参数字典。在你的情况下，唯一的关键字参数是col_idx。

尝试这样做：

param_grid = dict(    functiontransformer__kw_args=[        {'col_idx': None},        {'col_idx': [1]}    ],    pca__n_components=[2, 5, 10],    svc__C=[0.1, 10, 100],)