python - sklearn-如何从传递给GridSearchCV的管道中检索PCA组件并解释差异

我将GridSearchCV与管道一起使用，如下所示：

grid = GridSearchCV(
    Pipeline([
        ('reduce_dim', PCA()),
        ('classify', RandomForestClassifier(n_jobs = -1))
        ]),
    param_grid=[
        {
            'reduce_dim__n_components': range(0.7,0.9,0.1),
            'classify__n_estimators': range(10,50,5),
            'classify__max_features': ['auto', 0.2],
            'classify__min_samples_leaf': [40,50,60],
            'classify__criterion': ['gini', 'entropy']
        }
    ],
    cv=5, scoring='f1')

grid.fit(X,y)

现在如何从components模型检索PCA详细信息，例如explained_variance和grid.best_estimator_？

此外，我还想使用pickle将best_estimator_保存到文件中，然后再加载它。如何从已加载的估算器中检索PCA详细信息？我怀疑会和上面一样。

最佳答案

grid.best_estimator_用于访问具有最佳参数的管道。

现在使用named_steps[]attribute访问管道的内部估计量。

因此，grid.best_estimator_.named_steps['reduce_dim']将为您提供pca对象。现在，您可以简单地使用它来访问此pca对象的components_和explained_variance_服装，如下所示：

grid.best_estimator_.named_steps['reduce_dim'].components_
grid.best_estimator_.named_steps['reduce_dim'].explained_variance_

关于python - sklearn-如何从传递给GridSearchCV的管道中检索PCA组件并解释差异，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46800147/