python中如何让grid_scores的结果等于cv_results的结果

在使用 scikit-learn 进行交叉验证时，可以通过 `GridSearchCV` 或 `RandomizedSearchCV` 方法来搜索最佳超参数。这两种方法都会返回一个 `cv_results_` 属性，其中包含了每个超参数组合的交叉验证结果。

`cv_results_` 的结果格式如下：

{'mean_fit_time': array([...]),
 'std_fit_time': array([...]),
 'mean_score_time': array([...]),
 'std_score_time': array([...]),
 'params': [...],
 'split0_test_score': array([...]),
 'split1_test_score': array([...]),
 'split2_test_score': array([...]),
 'mean_test_score': array([...]),
 'std_test_score': array([...]),
 'rank_test_score': array([...])}

其中，`mean_test_score` 表示每个超参数组合的平均交叉验证得分。而 `GridSearchCV` 方法返回的 `grid_scores_` 属性中也包含了每个超参数组合的交叉验证结果。

为了让 `grid_scores_` 的结果等于 `cv_results_` 的结果，可以通过以下代码实现：

from sklearn.model_selection import GridSearchCV

# 定义搜索参数
param_grid = {...}

# 定义模型
model = ...

# 定义 GridSearchCV 方法
grid_search = GridSearchCV(model, param_grid=param_grid, cv=3, scoring='accuracy')

# 进行超参数搜索
grid_search.fit(X, y)

# 将 grid_scores_ 转换为 cv_results_ 格式
grid_scores = grid_search.grid_scores_
cv_results = {}
for key in grid_scores[0].cv_validation_scores.keys():
    cv_results['split{}_test_score'.format(key)] = np.array([score.cv_validation_scores[key] for score in grid_scores])
cv_results.update({'mean_fit_time': grid_search.cv_results_['mean_fit_time'],
                   'std_fit_time': grid_search.cv_results_['std_fit_time'],
                   'mean_score_time': grid_search.cv_results_['mean_score_time'],
                   'std_score_time': grid_search.cv_results_['std_score_time'],
                   'params': grid_search.cv_results_['params'],
                   'mean_test_score': grid_search.cv_results_['mean_test_score'],
                   'std_test_score': grid_search.cv_results_['std_test_score'],
                   'rank_test_score': grid_search.cv_results_['rank_test_score']})

通过上述代码，可以将 `grid_scores_` 的结果转换为与 `cv_results_` 相同的格式。