如何用GridSearchCV为自定义GRU估计器结合自定义交叉验证调参？

1. **kwargs传递超参数候选集与模型初始化 #

• 超参数候选集传递方式：
  若用GridSearchCV做超参数搜索，无需手动用kwargs传递候选集，直接将params字典传给GridSearchCV的param_grid参数即可。前提是params的键要与EncoderGRU初始化方法的参数名完全匹配。示例代码：

  params = {'lr': [0.001, 0.01], 'dropout': [0.2, 0.4]}
  grid_search = GridSearchCV(estimator=EncoderGRU(), param_grid=params, cv=tscv)
  

  若手动实例化模型时用**kwargs传单个参数组合，直接解包字典即可：model = EncoderGRU(**params)。
• **不传入params初始化模型的可行性：
  完全取决于EncoderGRU类的__init__方法定义。如果lr和dropout设置了默认值（比如def __init__(self, lr=0.001, dropout=0.1):），可直接model = EncoderGRU()初始化；若这两个参数无默认值，不传会触发参数缺失报错。

2. 自定义年度滚动窗口交叉验证与GridSearchCV，以及dropout报错 #

• **自定义tscv适配GridSearchCV：
  可以直接使用，但自定义tscv必须符合sklearn交叉验证迭代器规范：需实现split方法，接收数据集后返回迭代的(训练索引, 测试索引)元组对。示例实现：

  class AnnualRollingCV:
      def __init__(self, start_year, end_year):
          self.start_year = start_year
          self.end_year = end_year
      def split(self, X, y=None, groups=None):
          for year in range(self.start_year, self.end_year):
              train_mask = X['year'] <= year
              test_mask = X['year'] == year + 1
              yield train_mask.nonzero()[0], test_mask.nonzero()[0]
  

  满足规范后，直接将tscv实例传给GridSearchCV的cv参数即可。
• **dropout参数报错解决：
  该错误说明params字典中dropout的候选值超出了[0,1]范围。先检查params里的dropout列表，剔除1.1、-0.2这类不符合要求的值；若使用PyTorch的nn.GRU，其dropout参数要求为[0,1)（不可等于1），需把候选值中的1替换为0.99这类接近1的数值。同时确认EncoderGRU内部是否有额外的参数范围校验，确保传入值符合模型要求。

内容的提问来源于stack exchange，提问作者Charles Yan