继承BaseEstimator是必须的，因其提供get_params()和set_params()等sklearn工具链必需的接口；fit()须支持y=None且校验X，predict()须返回np.ndarray；Mixin类需按约定实现对应方法并手动设置属性。
为什么继承 BaseEstimator 是必须的
不继承 BaseEstimator，你的类就无法被 sklearn 的工具链识别——GridSearchCV 会报 AttributeError: 'MyEstimator' object has no attribute 'get_params'，pipeline 会拒绝组装，clone() 直接失败。这不是可选装饰，而是协议契约：只要想和 sklearn 生态协作，就必须满足它定义的接口。
继承本身很简单，但关键在后续实现是否“诚实”：
-
BaseEstimator自动提供get_params()和set_params()，但前提是所有超参数都只存在__init__的参数中，且不能动态增删（比如在fit()里赋值新属性到self） - 如果你在
__init__中做了参数校验或转换（如把str转成int），请确保最终存入self的是原始传入值（否则get_params()返回的就不是用户设的值） - 不要覆盖
get_params()或set_params()，除非你完全理解其递归处理嵌套参数的逻辑
fit() 和 predict() 方法必须满足什么签名
sklearn 不强制要求方法名，但约定俗成且几乎所有工具（如 cross_val_score、check_estimator）都只认 fit(X, y=None, **kwargs) 和 predict(X)（或 transform(X) 等）。少一个参数、多一个必需参数、返回类型错位，都会导致下游调用崩溃。
常见翻车点：
立即学习“Python免费学习笔记（深入）”；
-
fit()忘记支持y=None：无监督估计器（如聚类）必须能接受y=None，否则make_scorer或某些 pipeline 场景会炸 -
predict()返回list而非np.ndarray：sklearn 内部大量依赖.shape和向量化操作，返回原生 list 会导致AttributeError: 'list' object has no attribute 'shape' - 在
fit()里没做X校验：建议调用check_array(X)（来自sklearn.utils.validation），否则遇到稀疏矩阵、NaN、非二维数组时错误信息极其晦涩
如何让自定义估计器通过 check_estimator 测试
check_estimator(MyEstimator()) 是验证兼容性的黄金标准，但它默认只跑“通用接口测试”，很多坑要手动补全：
- 若你的估计器有
y（监督学习），需显式传参：check_estimator(MyEstimator(), X=..., y=...)，否则它按无监督路径跑，可能漏掉predict()相关断言 - 如果类有必需超参数（比如
threshold没默认值），得传实例化对象而非类：check_estimator(MyEstimator(threshold=0.5)) -
check_estimator会尝试调用fit_transform()—— 如果你没实现它，又没继承TransformerMixin，就会报AttributeError；此时要么加TransformerMixin，要么在文档里明确说明“本估计器不支持 transform”并跳过该检查 - 对非数值型
y（如字符串标签），记得在fit()开头用check_X_y(X, y, multi_output=False)，它会自动编码并存self.classes_，否则check_estimator的分类测试会失败
要不要同时继承 TransformerMixin 或 ClassifierMixin
继承这些 Mixin 不是“锦上添花”，而是告诉 sklearn “我承诺实现某类行为”。它们各自注入关键属性和方法：
-
TransformerMixin提供默认fit_transform()（即fit(X, y).transform(X)），还要求你实现transform()；没它却调用fit_transform()就会报错 -
ClassifierMixin注入score()（默认用 accuracy），并约定你必须设置self.classes_和提供predict_proba()（如果支持）；否则cross_val_score可能静默降级或报错 - 混用时注意顺序：推荐
class MyEstimator(BaseEstimator, ClassifierMixin, TransformerMixin)，因为BaseEstimator应在最左，避免 MRO 冲突
真正容易被忽略的是：Mixin 不会帮你做任何事，只是挂载方法和约定。比如 ClassifierMixin 的 score() 依赖 self.classes_，但这个属性得你自己在 fit() 里赋值，漏了就导致 score() 运行时报 AttributeError。
