将参数传递给多标签分类中的较低级XGBoost估计器

Question

我有一个多标签分类问题，我想为每个标签训练XGBoost模型（总共4个）；然后，由于sklearn.multioutput.MultiOutputClassifier（link），我合并了四个XGBoost估计量。

此外，由于RandomizedSearchCV，我想对XGBoost的超参数执行随机搜索。

下面有一些可再现的代码解释了我的意图。

import xgboost as xgb
from sklearn.model_selection import train_test_split, RandomizedSearchCV
from sklearn.multioutput import MultiOutputClassifier
from sklearn.datasets import make_multilabel_classification

# create dataset
X, y = make_multilabel_classification(n_samples=3000, n_features=50, n_classes=4, n_labels=1,
                                      allow_unlabeled=False, random_state=42)

# Split dataset into training and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# hyper-parameters space for the random search
random_grid = {
    'n_estimators': [200, 300, 400], 
    'learning_rate': [0.05, 0.1, 0.2],
    'max_depth': [3, 4, 5],
    'min_child_weight': [1, 3]
}

xgb_estimator = xgb.XGBClassifier(objective='binary:logistic')
xgb_model = MultiOutputClassifier(xgb_estimator)

# random search instance
xgb_random_search = RandomizedSearchCV(
    estimator=xgb_model, param_distributions=random_grid,
    scoring=['accuracy'], refit='accuracy', n_iter=2, cv=3, verbose=True, random_state=1234, n_jobs=2
)

# fit the random search
xgb_random_search.fit(X_train, y_train)

但是，此代码给出以下（摘要）错误：

ValueError: Invalid parameter n_estimators for estimator MultiOutputClassifier.
    Check the list of available parameters with `estimator.get_params().keys()`

实际上，在运行错误消息所建议的代码行之后，我意识到我正在将random_grid中的超参数传递给名为MultiOutputClassifier的xgb_model而不是名为xgb_estimator的XGBoost， “较低级别”的估算器（因为xgb_model中“包含”）。

问题是：如何将random_grid中的超参数传递给“下层” XGBoost估算器？我觉得可以通过某些**kwargs操作来实现，但是经过一番尝试之后，我仍然没有找到使用它们的方法。

Answer 1

如果运行xgb_model.get_params()，则会发现参数名称都以estimator__开头（双下划线）。因此您的参数空间应类似于

random_grid = {
    'estimator__n_estimators': [200, 300, 400], 
    'estimator__learning_rate': [0.05, 0.1, 0.2],
    'estimator__max_depth': [3, 4, 5],
    'estimator__min_child_weight': [1, 3]
}

与其他sklearn嵌套模型，例如Pipeline和ColumnTransformer一致。