使用fairlearn的ExponentiatedGradient后，GridSearchCV无cv_results_属性

Fairlearn的ExponentiatedGradient在拟合时，并不会直接用你传入的那个GridSearchCV实例去训练——它会每次克隆一个新的GridSearchCV副本，在迭代中训练这些副本。你通过mitigator.estimator拿到的是最开始创建的、根本没被训练过的GridSearchCV对象，自然没有cv_results_属性。

1. 直接取内部训练过的克隆模型 #

ExponentiatedGradient会把所有迭代里训练好的模型存在_predictors这个私有属性里，这些克隆出来的GridSearchCV都是训练过的，自带cv_results_：

# 挨个查看每个迭代模型的交叉验证结果
for i, model in enumerate(mitigator._predictors):
    print(f"第{i+1}轮训练的模型cv结果：")
    print(model.cv_results_)

⚠️ 注意：_predictors是私有属性，后续Fairlearn版本可能会调整，使用时留意版本兼容性。

2. 先跑GridSearch再传最优模型 #

如果不需要在公平性约束下做超参数搜索，可以先单独把GridSearchCV跑一遍，拿到最优模型后再传给ExponentiatedGradient：

# 先完成超参数搜索
gs.fit(train_X, y_train, sensitive_features=x_train[set_sa])
# 提取最优模型
best_model = gs.best_estimator_
# 用最优模型初始化公平性调整器
mitigator = ExponentiatedGradient(best_model, constraints=EqualizedOdds())
mitigator.fit(train_X, y_train, sensitive_features=x_train[set_sa])

# 直接访问原GridSearchCV的cv_results_
print(gs.cv_results_)

这种方法的局限是：超参数搜索未考虑公平性约束，最终模型的公平性表现可能不如在约束下搜索的结果。

3. 自定义GridSearchCV包装类保存结果 #

写个简单的包装类继承GridSearchCV，训练后自动把cv_results_存到实例属性里，再让ExponentiatedGradient用这个包装类：

from sklearn.model_selection import GridSearchCV

class GridSearchWithResults(GridSearchCV):
    def fit(self, X, y=None, **fit_params):
        super().fit(X, y, **fit_params)
        # 把cv结果存到自定义属性里
        self.trained_cv_results = self.cv_results_

# 创建自定义类的实例
gs = GridSearchWithResults(
    estimator=model,
    param_grid=param,
    cv=RepeatedKFold(n_splits=5, n_repeats=2),
    scoring=scoring,
    return_train_score=True,
    refit='roc_auc_curve',
    n_jobs=-1)

mitigator = ExponentiatedGradient(gs, constraints=EqualizedOdds())
mitigator.fit(train_X, y_train, sensitive_features=x_train[set_sa])

# 遍历内部模型取结果
for model in mitigator._predictors:
    print(model.trained_cv_results)

内容的提问来源于stack exchange，提问作者Tania Carvalho