我想使用GridSearchCV来进行参数调优。GridSearchCV是否也可以用来检查CountVectorizer还是TfidfVectorizer的效果更好？我的想法是：

pipeline = Pipeline([           ('vect', TfidfVectorizer()),           ('clf', SGDClassifier()),])parameters = {'vect__max_df': (0.5, 0.75, 1.0),'vect__max_features': (None, 5000, 10000, 50000),'vect__ngram_range': ((1, 1), (1, 2), (1,3),  'tfidf__use_idf': (True, False),'tfidf__norm': ('l1', 'l2', None),'clf__max_iter': (20,),'clf__alpha': (0.00001, 0.000001),'clf__penalty': ('l2', 'elasticnet'),'clf__max_iter': (10, 50, 80),}grid_search = GridSearchCV(pipeline, parameters, n_jobs=-1, verbose=1, cv=5)

我的想法是：CountVectorizer相当于设置了use_idf=False和normalize=None的TfidfVectorizer。如果GridSearchCV给出的最佳结果是这些参数，那么CountVectorizer就是最佳选择。这对吗？

提前感谢您

回答：

一旦你在Pipeline中包含了具有相应名称的步骤，你就可以从参数网格中访问它，并添加其他参数，或者在这种情况下是向量化器。你也可以在一个pipeline中包含多个参数网格列表：

from sklearn.feature_extraction.text import CountVectorizerpipeline = Pipeline([           ('vect', TfidfVectorizer()),           ('clf', SGDClassifier()),])parameters = [{    'vect__max_df': (0.5, 0.75, 1.0),    'vect__max_features': (None, 5000, 10000, 50000),    'vect__ngram_range': ((1, 1), (1, 2), (1,3),)      'tfidf__use_idf': (True, False),    'tfidf__norm': ('l1', 'l2', None),    'clf__max_iter': (20,),    'clf__alpha': (0.00001, 0.000001),    'clf__penalty': ('l2', 'elasticnet'),    'clf__max_iter': (10, 50, 80)},{    'vect': (CountVectorizer(),)    # count_vect_params...    'clf__max_iter': (20,),    'clf__alpha': (0.00001, 0.000001),    'clf__penalty': ('l2', 'elasticnet'),    'clf__max_iter': (10, 50, 80)}]grid_search = GridSearchCV(pipeline, parameters)