如何基于RandomizedSearchCV调优的超参数，在多训练集上重拟合模型

你可以通过RandomizedSearchCV的best_estimator_属性获取已经配置好最优超参数的模型实例，直接用这个实例在新数据集上重新拟合即可，不会触发超参数调优，只会更新模型权重。

具体步骤： #

1. 提取最优模型
   从训练完成的RandomizedSearchCV对象中，取出带有最优超参数的模型：

   best_model = model.best_estimator_
   

   这个best_model是LogisticRegression的实例，已经设置好了随机搜索找到的最优C和penalty参数。

2. 在新数据集上重拟合
   假设你的新数据集特征为new_X，标签为new_y，直接调用模型的fit方法：

   best_model.fit(new_X, new_y)
   

   此时模型会用固定的超参数重新训练，仅更新权重参数，不会再次进行超参数搜索。

可选：保留原最优模型 #

如果不想覆盖原模型在iris数据集上的拟合结果，可以先克隆一个模型实例再训练：

from sklearn.base import clone

# 克隆带有最优超参数的模型
cloned_best_model = clone(best_model)
# 在新数据上训练
cloned_best_model.fit(new_X, new_y)

内容的提问来源于stack exchange，提问作者DeltaIV