使用Scikit-learn包的AutoPropagatedCallback

AutoPropagatedCallback 是 scikit-learn 回调（callback）框架中的一个协议（Protocol）。它主要用于元估计器（meta-estimator） 场景，例如 GridSearchCV 或 Pipeline。

核心概念

简单来说，一个 AutoPropagatedCallback 可以设置在最外层的顶级估计器上，并自动传播给它的所有子估计器。

主要特点

1. 自动传播：这是它最核心的特性。当你在一个元估计器上设置此类回调时，无需手动为每个子估计器分别注册，框架会自动处理。
2. 生命周期钩子只调用一次：与普通的 FitCallback 不同，AutoPropagatedCallback 的 setup 和 teardown 方法仅在最外层估计器的 fit 方法开始前和结束后各调用一次。
3. 控制传播深度：它提供了一个 max_propagation_depth 属性，可以控制回调需要向下传播几层嵌套的估计器。如果设置为 None，则会传播到所有层级的子估计器。

主要方法与属性

AutoPropagatedCallback 协议扩展自基础的 FitCallback 协议。

• setup(estimator, context)：在 fit 开始时被调用。对于自动传播的回调，这个方法只在最外层估计器开始 fit 前执行一次。
• teardown(estimator, context)：在 fit 结束时被调用。同样，这个方法只在最外层估计器的 fit 完全结束后执行一次。
• max_propagation_depth：一个属性，用于控制回调的传播深度。

使用场景

AutoPropagatedCallback 最适合那些需要在整个模型选择或管道训练过程中进行全局监控或记录的场景。例如，你可能想在整个 GridSearchCV 的多次训练过程中，使用一个进度条来统一显示所有子模型的训练进度。

内置实现与状态

scikit-learn 提供了一些实现了此协议的内置回调，例如 ProgressBar 和 ScoringMonitor。

请注意：scikit-learn 的回调 API 目前仍是实验性的，可能在没有常规弃用周期的情况下发生变化。

总结

如果你需要开发自定义的、能在复杂模型管道中全局生效的回调，就应该考虑实现 AutoPropagatedCallback 协议。