GridSearchCV的callback参数

GridSearchCV的callback参数是用于在每次模型训练过程中执行特定操作的回调函数。回调函数可以在每个训练迭代之后被调用，以便在模型训练过程中进行一些额外的操作或记录一些信息。

例如，你可以使用回调函数来实现早停（early stopping）机制，以在模型训练过程中根据验证集的性能来决定是否停止训练。另外，你还可以使用回调函数来记录每个训练迭代的损失值或其他指标，以便后续分析和可视化。

下面是一个使用GridSearchCV的callback参数的示例：

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()

# 定义参数网格
param_grid = {'learning_rate': [0.1, 0.01, 0.001], 'n_estimators': [100, 200, 300]}

# 定义回调函数
def callback_func(estimator, params, n_iter, **kwargs):
    print(f"Iteration {n_iter}: Best parameters - {params}")

# 创建GridSearchCV对象
grid_search = GridSearchCV(estimator=GradientBoostingClassifier(), param_grid=param_grid, cv=3, callback=callback_func)

# 执行网格搜索
grid_search.fit(iris.data, iris.target)

在上述示例中，我们定义了一个回调函数callback_func，它会在每个训练迭代之后被调用，并打印出当前迭代的最佳参数。然后，我们创建了一个GridSearchCV对象grid_search，并将回调函数传递给callback参数。最后，我们调用fit方法执行网格搜索。