模型选择

派生自 _OrthoLearner 的估计器会在数据的不同折叠 (folds) 上拟合第一阶段的干扰模型 (nuisance models)，然后拟合最终模型。在许多情况下，对多个第一阶段模型进行模型选择是合理的，库通过允许灵活地指定第一阶段模型来简化此过程，可以指定为以下任一类型：

• 一个与 sklearn 兼容的估计器

  • 如果估计器是已知类，并且通过交叉验证（例如 LassoCV ）执行自己的超参数选择，则此过程将执行一次，然后将选定的超参数用于每个折叠上的交叉拟合 (cross-fitting)

  • 如果使用自定义类，则它应支持 `fit` 方法；如果目标是连续的，则应支持 `predict` 方法；如果目标是离散的，则应支持 `predict_proba` 方法。

• 以下字符串之一；每个关键字支持的具体模型集可能因包的版本而异

  "linear"

  选择 L1 或 L2 范数正则化的线性模型

  "poly"

  选择具有不同阶多项式特征的正则化线性模型

  "forest"

  选择随机森林模型

  "gbf"

  选择梯度提升模型

  "nnet"

  选择神经网络模型

  "automl"

  选择上述所有模型（请注意，这可能会非常耗时）

• 上述任何项组成的列表

• ModelSelector 的一个实现，这是一个支持两阶段模型选择和拟合过程的类（库内部使用，通常不建议终端用户直接使用）。

大多数子类也将字符串 `“auto”`` 用作特殊默认值，以自动从比 “automl” 生成的子集更小的适当模型子集中选择模型。