如何提取GridSearchCV管道中最优MLPRegressor的n_iter_属性？

问题描述 #

我用Python 3构建了一个包含GridSearchCV的Pipeline，代码如下：

pipeline_steps = [('scaler', StandardScaler()), ('MLPR', MLPRegressor(solver='lbfgs', early_stopping=True, validation_fraction=0.1, max_iter=10000))]
MLPR_parameters = {'MLPR__hidden_layer_sizes':[(50,), (100,), (50,50)], 'MLPR__alpha':[0.001, 10, 1000]}
MLPR_pipeline = Pipeline(pipeline_steps)
gridCV_MLPR = GridSearchCV(MLPR_pipeline, MLPR_parameters, cv=kfold)
gridCV_MLPR.fit(X_train, y_train)

目前我可以通过gridCV_MLPR.best_params_获取最优模型的参数：{'MLPR__alpha': 0.001, 'MLPR__hidden_layer_sizes': (50,)}，但我想获取该最优模型中MLPRegressor组件的n_iter_属性（即迭代次数），请问该如何实现？

解决方案 #

这其实很容易实现，你只需要借助GridSearchCV和Pipeline的两个关键属性就能拿到目标值：

1. 首先通过gridCV_MLPR.best_estimator_获取经过交叉验证后训练完成的最优Pipeline实例，这个实例已经用最优参数拟合了训练数据，所有组件的训练后属性都能访问到。
2. 然后通过Pipeline的named_steps字典（以你定义Pipeline时给组件起的名字为键），定位到其中的MLPRegressor组件，再直接访问它的n_iter_属性即可。

具体代码如下：

# 获取训练好的最优Pipeline
best_pipeline = gridCV_MLPR.best_estimator_

# 从Pipeline中提取MLPRegressor组件
best_mlpr_model = best_pipeline.named_steps['MLPR']

# 获取迭代次数
training_iterations = best_mlpr_model.n_iter_

print(f"最优MLPRegressor模型的迭代次数: {training_iterations}")

补充说明 #

• best_estimator_是GridSearchCV的核心属性之一，它保存的不是参数字典，而是完整的、训练好的模型/流水线对象，所以能直接访问所有训练后的内部属性。
• 如果你需要验证，可以顺便查看一下这个最优模型的参数是否和best_params_一致：

print(best_mlpr_model.get_params())

你会看到其中的`alpha`和`hidden_layer_sizes`和`best_params_`里的最优参数完全匹配。

内容的提问来源于stack exchange，提问作者rmarion37