Scikit-learn中怎么实现自定义估计器

在Scikit-learn中，要实现自定义的估计器，可以创建一个类并继承自BaseEstimator类。然后在类中实现以下方法：

1. __init__()：初始化方法，用于设置估计器的超参数。
2. fit()：用于训练模型，接受训练数据作为输入。
3. predict()：用于预测数据，接受测试数据作为输入。
4. score()：用于评估模型性能。

下面是一个简单的自定义估计器示例：

from sklearn.base import BaseEstimator

class MyEstimator(BaseEstimator):
    
    def __init__(self, param1=1, param2='default'):
        self.param1 = param1
        self.param2 = param2
        
    def fit(self, X, y):
        # 训练模型的代码
        pass
    
    def predict(self, X):
        # 预测数据的代码
        pass
    
    def score(self, X, y):
        # 评估模型性能的代码
        pass

通过实现以上方法，就可以创建一个自定义的估计器。在使用时，可以像使用其他Scikit-learn提供的估计器一样使用它：

my_estimator = MyEstimator(param1=2, param2='custom')
my_estimator.fit(X_train, y_train)
predictions = my_estimator.predict(X_test)
score = my_estimator.score(X_test, y_test)