使用 Scikit-Learn 的 RandomizedSearchCV 模块，如何保证某一组超参数设置全部被测试？
Using Scikit-Learn's RandomizedSearchCV module, how do you guarantee a certain set of hyper-parameter settings will all be tested?
使用Scikit-Learn的RandomizedSearchCV模块，如何保证某一组超参数设置全部被测试？
我的目标是保证通过随机搜索最佳估计器超参数，测试 sklearn MLPClassifier 的所有可用激活函数。不过，我也想要一个适用于 Python 机器学习 models/estimators 的答案。我相信我可以通过 运行 RandomizedSearchCV 或 GridSearchCV 使用 MLPClassifier 的 3 个不同实例来测试哪个激活函数是最好的。问题是，如果我想测试所有可用的激活函数和所有权重“求解器”以及其他参数（例如神经元数量和层数）怎么办？有没有办法使用 Python 库来做到这一点？
我只发布这个答案，因为问题下面的评论对我来说是最好的答案。
desertnaut 于 2020 年 8 月 8 日发表的评论：
You cannot; RandomizedSearchCV provides absolutely no such guarantees. You should revert to GridSearchCV if you want to be sure that certain combinations will be tested.
目前最好的解决方案是结合使用 RandomizedSearchCV 和 GridSearchCV。
使用Scikit-Learn的RandomizedSearchCV模块，如何保证某一组超参数设置全部被测试？
我的目标是保证通过随机搜索最佳估计器超参数，测试 sklearn MLPClassifier 的所有可用激活函数。不过，我也想要一个适用于 Python 机器学习 models/estimators 的答案。我相信我可以通过 运行 RandomizedSearchCV 或 GridSearchCV 使用 MLPClassifier 的 3 个不同实例来测试哪个激活函数是最好的。问题是，如果我想测试所有可用的激活函数和所有权重“求解器”以及其他参数（例如神经元数量和层数）怎么办？有没有办法使用 Python 库来做到这一点？
我只发布这个答案，因为问题下面的评论对我来说是最好的答案。
desertnaut 于 2020 年 8 月 8 日发表的评论：
You cannot; RandomizedSearchCV provides absolutely no such guarantees. You should revert to GridSearchCV if you want to be sure that certain combinations will be tested.
目前最好的解决方案是结合使用 RandomizedSearchCV 和 GridSearchCV。