我有一个应该与sklearn API兼容的估计器。我试图使用gridsearchcv来拟合这个估计器的一个参数，但我不知道如何操作。
这是我的代码：
import numpy as npimport sklearn as skfrom sklearn.linear_model import LinearRegression, LassoLarsCV, RidgeCVfrom sklearn.linear_model.base import LinearClassifierMixin, SparseCoefMixin, BaseEstimatorclass ELM(BaseEstimator): def __init__(self, n_nodes, link='rbf', output_function='lasso', n_jobs=1, c=1): self.n_jobs = n_jobs self.n_nodes = n_nodes self.c = c if link == 'rbf': self.link = lambda z: np.exp(-z*z) elif link == 'sig': self.link = lambda z: 1./(1 + np.exp(-z)) elif link == 'id': self.link = lambda z: z else: self.link = link if output_function == 'lasso': self.output_function = LassoLarsCV(cv=10, n_jobs=self.n_jobs) elif output_function == 'lr': self.output_function = LinearRegression(n_jobs=self.n_jobs) elif output_function == 'ridge': self.output_function = RidgeCV(cv=10) else: self.output_function = output_function return def H(self, x): n, p = x.shape xw = np.dot(x, self.w.T) xw = xw + np.ones((n, 1)).dot(self.b.T) return self.link(xw) def fit(self, x, y, w=None): n, p = x.shape self.mean_y = y.mean() if w == None: self.w = np.random.uniform(-self.c, self.c, (self.n_nodes, p)) else: self.w = w self.b = np.random.uniform(-self.c, self.c, (self.n_nodes, 1)) self.h_train = self.H(x) self.output_function.fit(self.h_train, y) return self def predict(self, x): self.h_predict = self.H(x) return self.output_function.predict(self.h_predict) def get_params(self, deep=True): return {"n_nodes": self.n_nodes, "link": self.link, "output_function": self.output_function, "n_jobs": self.n_jobs, "c": self.c} def set_params(self, **parameters): for parameter, value in parameters.items(): setattr(self, parameter, value)### Fit the c parameter ### X = np.random.normal(0, 1, (100,5))y = X[:,1] * X[:,2] + np.random.normal(0, .1, 100) gs = sk.grid_search.GridSearchCV(ELM(n_nodes=20, output_function='lr'), cv=5, param_grid={"c":np.linspace(0.0001,1,10)}, fit_params={})#gs.fit(X, y) # Error回答：
你的代码中有两个问题：
-
你没有为
GridSearchCV指定scoring参数。你似乎在做回归，所以mean_squared_error是一个选项。 -
你的
set_params方法没有返回对象本身的引用。你应该在for循环之后添加return self。正如Andreas已经提到的，在scikit-learn中，你很少需要重新定义
set_params和get_params。只需继承自BaseEstimator就足够了。
