如何在Pipeline中实现RandomForestRegressor并获取OOB分数？

你的代码思路没问题，报错原因很直接：oob_score_是RandomForestRegressor模型实例的属性，而不是Pipeline对象的属性，所以直接访问rand_piped.oob_score_会触发AttributeError。

正确的获取方式 #

要拿到OOB分数，你需要先定位到Pipeline里的RandomForestRegressor组件，再访问它的oob_score_属性。有两种常用写法：

• 通过named_steps字典按组件名称获取：rand_piped.named_steps['model'].oob_score_
• 直接用索引访问（仅适用于scikit-learn 0.21及以上版本）：rand_piped['model'].oob_score_

修正后的完整代码 #

# 构建Pipeline
rand_piped = Pipeline([
    ('preprocessor', preprocessor),
    ('model', RandomForestRegressor(max_depth=3, random_state=0, oob_score=True))
])

# 拟合模型
rand_piped.fit(df_X_train, df_Y_train.values.ravel())

# 正确获取OOB分数
oob_score = rand_piped.named_steps['model'].oob_score_
print(f"OOB分数: {oob_score}")

额外说明 #

• 你的预处理流程不会影响OOB分数的正确性：Pipeline在执行fit时，会先对训练数据执行预处理，再将预处理后的数据集传入RandomForestRegressor，模型内部会基于预处理后的数据集计算OOB分数，完全符合预期逻辑。
• 如果后续用GridSearchCV等工具包装这个Pipeline，要注意需要通过grid_search.best_estimator_.named_steps['model'].oob_score_来获取最优模型的OOB分数。

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