check_estimator不能直接跑通自定义估计器，因其要求严格：必须继承BaseEstimator及对应mixin，fit中设置n_features_in_等必需属性，超参数须通过__init__声明且set_params可重设，否则会因缺失属性或参数突变而报错。
为什么 check_estimator 不能直接跑通你的自定义估计器
因为 check_estimator 默认只验证标准接口行为（如 fit、predict 是否存在且签名合规），但你的类很可能没实现 get_params/set_params、没继承 BaseEstimator、或在 fit 中修改了非 self 属性（比如缓存了全局变量）。常见报错包括：AttributeError: 'MyEstimator' object has no attribute 'n_features_in_' ，或 AssertionError: Estimator MyEstimator should not change or mutate parameters。
- 必须显式继承
BaseEstimator和对应 mixin（如RegressorMixin） -
fit方法里必须设置self.n_features_in_（分类/回归）或self.n_features_in_+self.classes_（分类器） - 所有超参数必须通过
__init__声明，并在set_params中可被安全重设——这意味着不能在__init__里做耗时计算或副作用操作
如何让 check_estimator 通过最小必要测试集
先用最简骨架跑通基础检查，再逐步加功能。以下是最小可行代码：
from sklearn.base import BaseEstimator, RegressorMixin
from sklearn.utils.estimator_checks import check_estimator
<p>class MinimalRegressor(BaseEstimator, RegressorMixin):
def <strong>init</strong>(self, alpha=1.0):
self.alpha = alpha</p><pre class="brush:php;toolbar:false;">def fit(self, X, y):
self.n_features_in_ = X.shape[1]
self._fitted = True
return self
def predict(self, X):
return X.sum(axis=1) * self.alpha
这行会抛出 AssertionError，除非你补全 required attrs
def test_minimal_regressor(): check_estimator(MinimalRegressor)
关键点：缺 self._fitted 不报错，但缺 self.n_features_in_ 一定报错；check_estimator 内部会调用 fit(X, y) 后立刻检查该属性是否存在且类型正确。
自定义断言比 check_estimator 更可靠的实际场景
当你的估计器有特殊行为（如强制要求稀疏输入、支持 sample_weight、或返回非标量预测），check_estimator 的泛化检查反而会误报。这时应手写针对性测试：
- 验证
sample_weight是否真正影响 loss 计算（而非仅被忽略） - 对稀疏矩阵输入，检查是否调用了
scipy.sparse.issparse(X)并走专用路径 - 若支持
partial_fit，需单独测试连续调用是否等价于单次fit - 预测输出形状必须严格匹配：若
y是 (n_samples,)，predict输出必须是 (n_samples,)，不能是 (n_samples, 1)
例如，验证权重影响：
import numpy as np from sklearn.utils.validation import check_X_y <p>def test_sample_weight_effect(): X, y = np.random.randn(100, 5), np.random.randn(100) w1 = np.ones(100) w2 = np.concatenate([np.ones(50), np.zeros(50)]) # 后半截权重为 0</p><pre class="brush:php;toolbar:false;">est1 = MinimalRegressor().fit(X, y, sample_weight=w1) est2 = MinimalRegressor().fit(X, y, sample_weight=w2) # 断言：用零权重拟合，应等价于只用前 50 行拟合 X_sub, y_sub = X[:50], y[:50] est3 = MinimalRegressor().fit(X_sub, y_sub) # 比较 predict 结果（需根据实际逻辑设计） assert np.allclose(est2.predict(X[:50]), est3.predict(X[:50]))
容易被忽略的兼容性陷阱：Python 版本与 NumPy 类型
check_estimator 在 Python 3.12+ 或 NumPy 2.x 下可能因类型提示变更失败，比如它会尝试调用 np.result_type 并传入 float 和 np.float64，而新版 NumPy 对混合类型更严格。这不是你代码的问题，但会导致 CI 报错。
- 本地开发建议锁定
numpy 和python（除非你明确适配） - 在
fit中避免直接用type(y[0])判断，改用np.issubdtype(y.dtype, np.number) - 所有数组运算前加
X = check_array(X, accept_sparse=True)，否则check_estimator传入稀疏矩阵时会崩
真正麻烦的是：这些错误不总在本地复现，只在 CI 的干净环境中爆发。所以别只信本地 pytest 通过，一定要在 GitHub Actions 里跑带 numpy=1.24 和 numpy=2.0 的矩阵。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
