如何用sklearn BaseEstimator包装无set/get_params的模型以兼容GridSearchCV？

你的代码存在几个基础语法问题，同时get_params和set_params的实现思路不符合sklearn规范，下面是修正后的最优实现：

from sklearn.base import BaseEstimator

class Wrapper(BaseEstimator):
    def __init__(self, param1, param2):
        # 把超参数保存为Wrapper自身的属性，这是GridSearchCV识别可调参数的关键
        self.param1 = param1
        self.param2 = param2
        # 用初始参数初始化内部模型
        self.model = ModelClass(param1, param2)
    
    def fit(self, X, y=None):
        # 适配sklearn标准fit接口，接收特征X和标签y（可根据你的模型需求调整）
        self.model.fit(X, y)
        return self  # 必须返回self，符合sklearn estimator规范
    
    def predict(self, X):
        return self.model.predict(X)
    
    def set_params(self, **parameters):
        # 先调用父类方法更新Wrapper自身的参数属性
        super().set_params(**parameters)
        # 用更新后的参数重新初始化模型——这一步是核心
        self.model = ModelClass(self.param1, self.param2)
        return self

关键问题解释： #

1. 关于get_params：
   完全不需要自己实现！BaseEstimator已经提供了默认的get_params方法，它会自动收集__init__中定义的所有参数（也就是self.param1、self.param2）。你原来直接返回self.model.__dict__的错误在于，里面会包含很多模型训练后的状态属性（比如权重、拟合缓存），这些不是我们要搜索的超参数，会导致GridSearchCV识别错误的参数列表。

2. 关于set_params是否需要重建模型：
   必须重建！绝大多数机器学习模型的超参数是在初始化阶段生效的，后续直接修改模型的属性（比如setattr(self.model, 'param1', value)）不会改变模型的核心逻辑——比如如果ModelClass的param1是用来定义树深度、网络结构这类参数，后续修改属性根本不会让模型用新参数重新构建，训练结果还是基于旧参数的。所以正确的做法是更新Wrapper自身的参数后，重新创建全新的模型实例，确保GridSearchCV每次调参都用正确参数的模型训练。

额外注意事项： #

• 如果你的模型有predict_proba、score等方法，也要在Wrapper中实现对应的方法，调用内部模型的同名方法，这样GridSearchCV可以用这些方法评估模型性能。
• fit方法尽量适配sklearn的标准接口（接收X和y），方便和其他sklearn组件（比如管道、预处理工具）配合使用。
• 确保ModelClass的初始化能完全重置模型状态，避免之前训练的信息残留影响后续实验。

内容的提问来源于stack exchange，提问作者Gardo