使用Scikit-learn包的set_callbacks

回调机制概述

回调是可以在估计器上注册的对象，用于在 fit 过程中的关键步骤（开始/结束）插入自定义逻辑，例如监控进度或计算指标，而无需修改底层学习算法。目前仅部分估计器支持回调，可通过 Scikit-learn 官方文档查看兼容估计器列表。

核心用法：set_callbacks 方法

支持回调的估计器会提供 set_callbacks 方法，用于注册一个或多个回调对象。注册后，回调会在 fit 调用期间被触发。例如，LogisticRegression 已支持该功能：

from sklearn.linear_model import LogisticRegression
from sklearn.callback import ProgressBar

model = LogisticRegression(max_iter=1000)
model.set_callbacks(ProgressBar())   # 注册进度条回调
model.fit(X, y)

内置回调

Scikit-learn 1.9 提供了两个开箱即用的回调类：

组合使用示例：

from sklearn.callback import ProgressBar, ScoringMonitor
from sklearn.linear_model import LogisticRegression

scoring_monitor = ScoringMonitor(scoring="d2_log_loss_score")
logreg = LogisticRegression(solver="lbfgs")
logreg.set_callbacks(scoring_monitor, ProgressBar())
logreg.fit(X, y)

# 获取评分日志
log = scoring_monitor.get_logs().data_as_pandas
print(log[["task_name", "task_id", "d2_log_loss_score"]])

自定义回调

要创建自定义回调，需实现 FitCallback 协议，主要包含四个钩子方法：

自定义回调的最小示例：

from sklearn.callback import FitCallback

class MyCallback:
    def setup(self, estimator, context):
        print("拟合开始")

    def on_fit_task_begin(self, estimator, context, **kwargs):
        pass

    def on_fit_task_end(self, estimator, context, **kwargs):
        return False  # 不中断

    def teardown(self, estimator, context):
        print("拟合结束")

# 使用
model.set_callbacks(MyCallback())

为估计器添加回调支持（开发者）

如果你在开发自定义估计器，需让它继承 CallbackSupportMixin，并使用 with_callbacks 装饰器修饰 fit 方法，以保证回调的清理钩子始终被调用。

from sklearn.callback import CallbackSupportMixin, with_callbacks

class MyEstimator(CallbackSupportMixin, BaseEstimator):
    @with_callbacks
    def fit(self, X, y=None):
        self._init_callback_context()   # 在 fit 开头初始化回调上下文
        # ... 训练逻辑 ...
        return self

注意事项

• 回调 API 目前是实验性的，未来可能在不经过常规弃用周期的情况下发生变化。
• on_fit_task_end 钩子返回 True 可请求中断拟合，但并非所有估计器都支持中断，不支持中断的估计器会忽略该请求。
• 回调钩子中的可选参数必须使用仅关键字参数（keyword-only）定义，否则框架不会传入相应值。

如果你实际想询问的是某个特定拼写的函数或类，可以补充一下来源，我再帮你确认。