实现自定义scikit-learn估计器的完整规范是什么？

Question

我正在自己做一个预测器，想像使用scikit库里的其他工具（比如RandomForestRegressor）那样来使用它。我有一个类，里面有fit和predict这两个方法，看起来都能正常工作。但是，当我尝试使用一些scikit的方法，比如交叉验证时，却出现了错误，内容像这样：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Python27\lib\site-packages\sklearn\cross_validation.py", line 1152, in cross_val_
score
    for train, test in cv)
  File "C:\Python27\lib\site-packages\sklearn\externals\joblib\parallel.py", line 516, in __
call__
    for function, args, kwargs in iterable:
  File "C:\Python27\lib\site-packages\sklearn\cross_validation.py", line 1152, in <genexpr>
    for train, test in cv)
  File "C:\Python27\lib\site-packages\sklearn\base.py", line 43, in clone
    % (repr(estimator), type(estimator)))
TypeError: Cannot clone object '<__main__.Custom instance at 0x033A6990>' (type <type 'inst
ance'>): it does not seem to be a scikit-learn estimator a it does not implement a 'get_para
ms' methods.

我发现它希望我实现一些方法（可能是get_params，还有可能是set_params和score），但我不太确定这些方法应该怎么写。关于这个话题，有没有什么资料可以参考？谢谢。

Answer 1

完整的说明可以在scikit-learn文档中找到，API背后的原理在这篇论文中有详细介绍。简单来说，除了fit方法，你的估计器还需要get_params和set_params这两个方法。get_params用来返回估计器的超参数（以dict的形式），而set_params则用来设置这些超参数（通过关键字参数）。这些超参数是学习算法本身的参数，而不是它学习的数据参数。这些参数应该和__init__方法中的参数一致。

这两个方法可以通过继承sklearn.base中的类来获得，但如果你不想让你的代码依赖于scikit-learn，也可以自己实现这两个方法。

需要注意的是，输入验证应该在fit方法中进行，而不是在构造函数中，因为如果在set_params中设置了无效的参数，fit可能会以意想不到的方式失败。