GridSearchCV对BaggingClassifier调参报min_impurity_decrease无效问题

• BaggingClassifier本身不包含min_impurity_decrease参数，该参数属于你指定的基学习器DecisionTreeClassifier，直接将其写入Bagging的参数搜索空间会触发参数校验失败。
• scikit-learn的集成学习器嵌套参数需要使用[上层参数名]__[下层参数名]的双下划线命名规则，才能被正确识别为对应层级的参数。
• 你当前参数中max_features的取值[1.0,2.0,3.0]也存在合法性问题：该参数接收浮点数时取值范围为(0,1]，代表采样特征占总特征的比例，超过1的浮点数会触发后续报错。

调整参数搜索空间的键名，同时修正max_features的合法取值即可，示例如下：

DTC = DecisionTreeClassifier(max_depth=15)
RFC = RandomForestClassifier(max_depth=15)
BC = BaggingClassifier(base_estimator=DTC)
ADB = AdaBoostClassifier(base_estimator=DTC)

params = {
    "n_estimators": [10, 20, 100],
    # 若要按比例采样特征，取值范围控制在0到1之间；若要指定采样的绝对数量，改为整数类型的1、2、3即可
    'max_features': [0.3, 0.7, 1.0],
    # 双下划线指定该参数属于Bagging的base_estimator（也就是决策树）
    "base_estimator__min_impurity_decrease": [1.0, 2.0, 3.0]
}

GSC1 = GridSearchCV(estimator=BC, param_grid=params, cv=5)
GSC1.fit(X_Train, Y_Train)

GSC_BC_Score = GSC1.score(X_Test, Y_Test)

内容的提问来源于stack exchange，提问作者Rao Mubashir Ali