Scikit网格搜索参数（不是超参数）

Question

当我想找到最好的超参数时，Scikit的GridSearch是完美的。我想使用相同的哲学来找到线性回归的最佳参数集，使用跨多个折叠的目标函数。如何在多个折叠上优化线性回归的参数（字面意思是beta和截距）？

用例（简化）：
我有一个有三年数据的数据集。我想定义什么是最好的线性回归是什么＆＃34;确定所有年份＆＃34;。如果我对整个数据集进行线性回归拟合，我将得到一个减少所有数据上最小平方误差的数据集。实际上，我会尽量减少错误

然而，这（min(error)）不是我的目标。我可以在这个目标上取得好成绩，因为分类器在第1年和第2年表现良好，这足以弥补第3年。

我真正想要最小化的是min(max(error_year_1, error_year_1, error_year_1))。

关于这个的一个hacky方法是创建一个函数f（b0，b1，b2，year1，year2，year3），它返回错误的最大值，然后使用scipy最小化该函数。

实际问题：有没有办法在scikit中执行此操作？

Answer 1

在我看来，scikit只提供对scoring的直接api访问，我相信一次只能看到一次。

不是很漂亮，但我认为您最好的选择是浏览grid_scores_的{​​{1}} cv_validation_scores并手动获取最小化损失函数最大值的参数集你选。

不要认为它会保存分类器，如果你想用它做预测，你可能不得不重新训练另一个logit。