运行GridSearchCV代码出现RandomForestClassifier无estimators_属性错误如何解决？

• 核心错误是GridSearchCV的param_grid参数传值错误：你的代码中将mp['model']（也就是RandomForestClassifier模型对象本身）传给了需要接收超参数网格字典的param_grid参数，导致网格搜索无法正常完成模型拟合流程。RandomForestClassifier的estimators_属性仅在模型成功调用fit()方法完成训练后才会生成，拟合失败的模型自然不存在该属性。
• 代码存在额外拼写错误：你在获取最优参数时调用的属性是best_param_，scikit-learn中对应正确属性名是best_params_，缺少末尾的s，后续修复第一个问题后会触发新的属性不存在错误。
• 其他可能诱因：若你是在fit()方法执行前就尝试访问模型的estimators_属性，或者直接访问未参与训练的原始mp['model']对象的estimators_属性，也会触发该报错。

1. 修正GridSearchCV参数传递逻辑：确保param_grid传入的是你预定义的超参数字典，一般你的model_param结构中会单独存放超参数配置，比如键名为params，示例修改如下：

scores=[]
for model_name,mp in  model_param.items():
    # 把param_grid的取值从mp['model']改成你实际的超参数网格对应的键，比如mp['params']
    model_selction=GridSearchCV(estimator=mp['model'],param_grid=mp['params'],cv=5,return_train_score=False)
    model_selction.fit(X,y)
    scores.append({
        'model':model_name,
        'best_score':model_selction.best_score_,
        # 修正best_params_的拼写错误
        'best_params':model_selction.best_params_
    })

2. 若需要访问训练完成的随机森林的estimators_属性，要从网格搜索返回的最优模型中获取，调用方式为model_selction.best_estimator_.estimators_，不要直接访问原始未训练的模型对象。
3. 若仍有问题，可升级scikit-learn到稳定版本，避免旧版本接口差异问题：pip install -U scikit-learn

内容的提问来源于stack exchange，提问作者user612116