如何正确使用LinearRegression的.set_params()方法调整超参数

set_params() 报错原因&正确用法 #

报错原因说明

• 执行lr.set_params('normalize'==True)报错：'normalize'==True是布尔值判断表达式，运行后仅返回False，属于位置参数。但set_params()方法不接受位置参数，仅接收和模型超参数名匹配的关键字参数。
• 执行lr.set_params(some_params = {'normalize'})报错：你传入的参数名some_params不属于LinearRegression的超参数列表，同时{'normalize'}是仅包含键的集合，没有对应参数值，不符合参数格式要求。

正确使用方式

scikit-learn所有评估器的set_params()方法用法统一，支持两种传参形式：

1. 直接传入关键字参数

单次修改1个或多个超参数时，直接写超参数名=参数值作为入参即可，超参数名不需要加引号：

# 仅修改normalize参数
lr.set_params(normalize=True)
# 同时修改多个超参数
lr.set_params(normalize=True, fit_intercept=False, n_jobs=4)

2. 字典批量传参

如果参数提前存在字典中，需要用**对字典做解包后再传入：

# 构造参数字典，键为超参数名，值为要设置的参数值
param_dict = {
    "normalize": True,
    "positive": True,
    "n_jobs": 2
}
# 解包字典后传入
lr.set_params(**param_dict)

修改完成后可调用lr.get_params()，校验参数是否设置成功。
*注：如果你使用scikit-learn 1.2及以上版本，normalize参数已被弃用，建议在数据预处理阶段使用StandardScaler或MinMaxScaler完成归一化/标准化操作。

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