在循环内部或外部创建极其随机的树分类器

Question

我在X_sample中有许多样本矩阵（mxn）。每个矩阵具有相同的行数（相同的m），但具有不同的特征数（diff n）。X 样本中的矩阵示例为：1000x40、1000x35、1000x30、1000x25。我有以下（简化得多的）关于我的问题的代码示例：

Y_train =
Y_test =
clf = ExtraTreesClassifier(n_estimators=500, max_depth=None,max_features="auto",
                           min_samples_split=1, random_state=0)
for X_data in X_samples:
    X_train = X_data[0]
    X_test = X_data[1]
    clf.fit(X_train,Y_train)
    pred_res = clf.predict(X_test)
    .....

我在循环外创建了一个参数 max_features="auto" 的分类器。我使用具有不同数量特征的样本矩阵在循环内执行不同的分类。我的问题是，每次循环执行拟合操作时，分类器是否会根据X_train的实际大小（实际特征数）调整max_features的值。值为"auto"的参数max_features应获得等于要素数平方根的实际值。也就是说，我应该在循环外部还是循环内创建分类器？有没有办法读取参数max_features的实际值？

Answer 1

是的。fit函数不会更改估计器。请参阅文档。