根据sklearn的RandomizedSearchCV和GridSearchCV模块的文档，它们仅支持传递给他们的分类器的fit方法，不支持可用于分类器的partial_fit方法逐步进行培训。当前，我正在尝试使用SGDClassifier，该partial_fit可以使用RandomizedSearchCV方法在增量数据上进行训练，并且还可以找到相同的最佳超参数集。我只是想知道为什么GridSearchCV或partial_fit不支持。我看不到任何无法解决此问题的技术原因（如果我在这里错了，请纠正我）。任何线索将不胜感激。
最佳答案
是的，从技术上讲，您也可以为partial_fit编写GridSerachCV，但是当您考虑
您正在寻找什么？
您正在优化什么？
它与我们使用.fit()方法所做的完全不同。这是我在partial_fit / GridsearchCV中没有RandomSearchCV的原因列表。
您正在寻找什么？
当我们针对一批数据优化模型的超级参数时，对于最终模型（使用多个partial_fit在完整数据上进行训练）而言，它可能不是最优的。现在，问题就变成了找到超参数的最佳时间表，即在每个批次/时间步的超参数的最佳值是多少。一个示例是神经网络中递减的学习率，其中我们使用多个partial_fit训练模型，并且超参数-学习率值不是单个值，而是每次都需要使用的一系列值步骤/批次。
同样，您需要多次遍历整个数据集（多个时期）以了解超参数的最佳调度。这需要对GridSearchCV进行基本的API更改。
您正在优化什么？
现在需要更改模型的评估指标。该指标可能会在所有partial_fit结束时达到最佳性能，或以常规指标（precision，recall，f1-score等）快速达到最佳点（以较少的批次），并结合使用一和二。因此，这也需要更改API以计算单个值以汇总模型的性能，该更改使用多个partial_fit进行了训练。
关于python - sklearn中带有partial_fit的GridSearchCV/RandomizedSearchCV，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/57109473/