使用 sklearn Pipeline 和 MultiOutputRegressor 访问属性
Access attributes with sklearn Pipeline and MultiOutputRegressor
假设一个机器学习模型，例如 LightGBM 的 LGBMRegressor，有一个属性 best_iteration_。在调用 fit 方法后如何访问此属性，其中利用了 sklearn 的 Pipeline 和 MultiOutputRegressor？
对于 Pipeline 我试过了 named_steps:
foo.named_steps['reg']
哪个returns以下对象sklearn.multioutput.MultiOutputRegressor.
那么，我试过了.estimators_:
foo.named_steps['reg'].estimators_
其中returns一个列表。但是，该列表包含提供给模型的初始参数。
有人可以解释访问模型属性的理想方式吗？
我假设 foo 是一个 sklearn 管道对象，如果是这样，你可以这样做：
for e in foo.named_steps['reg'].estimators_:
print(e.best_iteration_)
foo.named_steps['reg'].estimators_ returns 估算器列表
在 MultiOutputRegressor 内部。 e 是您使用的 LGBMRegressor
在你的 MultiOutputRegressor 里面。
您可以将 best_iteration_ 替换为您想要访问的模型的任何属性。
假设一个机器学习模型，例如 LightGBM 的 LGBMRegressor，有一个属性 best_iteration_。在调用 fit 方法后如何访问此属性，其中利用了 sklearn 的 Pipeline 和 MultiOutputRegressor？
对于 Pipeline 我试过了 named_steps:
foo.named_steps['reg']
哪个returns以下对象sklearn.multioutput.MultiOutputRegressor.
那么，我试过了.estimators_:
foo.named_steps['reg'].estimators_
其中returns一个列表。但是，该列表包含提供给模型的初始参数。
有人可以解释访问模型属性的理想方式吗？
我假设 foo 是一个 sklearn 管道对象，如果是这样，你可以这样做：
for e in foo.named_steps['reg'].estimators_:
print(e.best_iteration_)
foo.named_steps['reg'].estimators_returns 估算器列表 在 MultiOutputRegressor 内部。e是您使用的 LGBMRegressor 在你的 MultiOutputRegressor 里面。
您可以将 best_iteration_ 替换为您想要访问的模型的任何属性。