我想澄清一件事。我知道以下命令将在(loc, loc+scale)之间生成一个均匀分布的随机变量
from scipy.stats import uniformC =uniform.rvs(loc=0,scale=4)print(C)假设我想在使用RandomizedSearchCV算法的逻辑回归中使用这个分布，如下所示：
parameters =dict(C =uniform(loc=0,scale=4),penalty=['l2', 'l1'])from sklearn.model_selection import RandomizedSearchCVclf = RandomizedSearchCV(logreg, parameters, random_state=0)search = clf.fit(iris.data, iris.target)print(search.best_params_)但我不明白一件事：RandomizedSearchCV类似于网格搜索，只是它尝试在给定尝试次数（n_iter）下随机选择组合数量，但这里C是一个对象，它不是数组或类似的东西，我甚至无法打印它的值，所以我如何理解这段代码？它是如何生成随机数的？没有rvs的指示？
回答：
根据文档中关于param_distributions参数（这里是parameters）的说明：
包含参数名称（
str）作为键和要尝试的分布或参数列表的字典。分布必须提供rvs方法用于抽样（如scipy.stats.distributions中的那些）。如果给定一个列表，则会均匀抽样。
因此，在每次迭代中发生的事情是：
- 根据
[0, 4]中的均匀分布抽取C的值 - 在
l1和l2之间均匀抽取penalty的值（即每种情况有50%的概率） - 使用这些抽取的值运行交叉验证并存储结果
使用文档中的示例（与您的问题中的参数几乎相同）：
from sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import RandomizedSearchCVfrom scipy.stats import uniformiris = load_iris()logistic = LogisticRegression(solver='saga', tol=1e-2, max_iter=200, random_state=0)distributions = dict(C=uniform(loc=0, scale=4), penalty=['l2', 'l1'])clf = RandomizedSearchCV(logistic, distributions, random_state=0)search = clf.fit(iris.data, iris.target)我们得到
search.best_params_# {'C': 2.195254015709299, 'penalty': 'l1'}我们可以进一步了解所有（10个）使用的组合及其表现：
从中可以清楚地看出，尝试的所有C值确实都在[0, 4]范围内，如所要求的。此外，由于有多种组合达到了最佳得分0.98，scikit-learn使用cv_results_中返回的第一个组合。
仔细观察，我们发现只有4次试验使用了l1惩罚（而不是我们可能期望的10次中的50%，即5次），但这在小型随机样本（这里只有10个）中是可以预期的。
