Я хотел бы использовать scikit-learn GridSearchCV, чтобы узнать значения параметров для конвейера, состоящего из PCA и KernelDensity, который должен обеспечивать возможно выразительную функцию для оценки или классификации новых выборок.
Расширение такого конвейера с помощью классификатора или регрессора кажется разумным шагом для расширенной оценки, однако, поскольку KernelDensity не предоставляет метод transform, возникает TypeError.Поиск по сетке по конвейеру только с PCA и KernelDensity, используя подмножество данных с выбранной меткой grid.fit(X_train) вычислений.
Есть ли способ построить расширенный конвейер, который сначала применяет PCA для уменьшения размерности входных векторов, затем подгоняет KernelDensity к данным (вероятно, подмножество только с определенной меткой), а затем использует классификатор впоследний шаг для измерения производительности в GridSearchCV grid.search(X_train,y_train) или для получения оптимальных параметров PCA и KernelDensity с помощью другого подхода, который бы поддерживал классификацию на основе оценок оценки плотности ядра?