学习；模型拟合前后超参数值相同
sklearn; Value of hyperparameters are the same before and after model fitting
我想检查 scikit-learn 模型在拟合前后的超参数值：
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = RandomForestClassifier(random_state=0)
print(clf.get_params())
clf.fit(X_train, y_train)
print(clf.get_params())
它在模型拟合前后给了我相同的值。我认为模型拟合后超参数应该不同。我做错了什么吗？
另外，当我想使用模型进行预测时，模型用于预测的超参数是什么？
感谢您的帮助。
Hyperparameters 是学习算法（示例中的 RandomForestClassifier）配置的一部分，在训练过程中不会改变。 get_params() 的输出结果显示了模型的超参数配置。模型的内部状态（即构成随机森林的决策树中的节点定义）在模型训练期间确实会发生变化，但 get_params() 不会提供该信息。
我想检查 scikit-learn 模型在拟合前后的超参数值：
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = RandomForestClassifier(random_state=0)
print(clf.get_params())
clf.fit(X_train, y_train)
print(clf.get_params())
它在模型拟合前后给了我相同的值。我认为模型拟合后超参数应该不同。我做错了什么吗？
另外，当我想使用模型进行预测时，模型用于预测的超参数是什么？
感谢您的帮助。
Hyperparameters 是学习算法（示例中的 RandomForestClassifier）配置的一部分，在训练过程中不会改变。 get_params() 的输出结果显示了模型的超参数配置。模型的内部状态（即构成随机森林的决策树中的节点定义）在模型训练期间确实会发生变化，但 get_params() 不会提供该信息。