你好，由于数据集不平衡，我试图在Sklearn中对VotingClassifier使用RandomizedSearch，并使用fit_params（用于GradientBoostingClassifier的sample_weight）。能否有人给我一些建议，并可能提供代码示例？

我目前未能工作的代码如下：

random_search = RandomizedSearchCV(my_votingClassifier, param_distributions=param_dist,                                   n_iter=n_iter_search, n_jobs=-1, fit_params={'sample_weight':y_np_array})

错误：

TypeError: fit() got an unexpected keyword argument 'sample_weight'

回答：

考虑到似乎没有直接的方法通过VotingClassifier传递sample_weight参数，我发现了这个小“技巧”：

覆盖底层分类器的fit方法。例如，如果你使用DecisionTreeClassifier，你可以通过传递所需的sample_weight参数来覆盖它的fit方法。

class MyDecisionTreeClassifier(DecisionTreeClassifier):    def fit(self, X , y = None):        return super(DecisionTreeClassifier, self).fit(X,y,sample_weight=y)

现在在你的VotingClassifier的分类器集合中，你可以使用你自己的MyDecisionTreeClassifier。

完整的工作示例：

import numpy as npfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.ensemble import VotingClassifierfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.grid_search import RandomizedSearchCVX = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])y = np.array([1, 1, 1, 2, 2, 2])class MyDecisionTreeClassifier(DecisionTreeClassifier):    def fit(self, X , y = None):        return super(DecisionTreeClassifier, self).fit(X,y,sample_weight=y)clf1 = MyDecisionTreeClassifier()clf2 = RandomForestClassifier() params = {'dt__max_depth': [5, 10],'dt__max_features':[1,2]} eclf = VotingClassifier(estimators=[('dt', clf1), ('rf', clf2)], voting='hard')random_search = RandomizedSearchCV(eclf, param_distributions=params,n_iter=4)random_search.fit(X, y)print(random_search.grid_scores_)print(random_search.best_score_)