Estou tentando fazer uma pesquisa por hiperparâmetro usando o GridSearchCV do scikit-learn no XGBoost. Durante a pesquisa em grade, eu gostaria que parasse cedo, pois reduz drasticamente o tempo de pesquisa e (espera) obter melhores resultados na minha tarefa de previsão / regressão. Estou usando o XGBoost por meio da API Scikit-Learn.

    model = xgb.XGBRegressor()
    GridSearchCV(model, paramGrid, verbose=verbose ,fit_params={'early_stopping_rounds':42}, cv=TimeSeriesSplit(n_splits=cv).get_n_splits([trainX, trainY]), n_jobs=n_jobs, iid=iid).fit(trainX,trainY)

Tentei fornecer parâmetros de parada antecipada com o uso de fit_params, mas, em seguida, ele lança esse erro, basicamente devido à falta de conjunto de validação necessário para a parada antecipada:

/opt/anaconda/anaconda3/lib/python3.5/site-packages/xgboost/callback.py in callback(env=XGBoostCallbackEnv(model=<xgboost.core.Booster o...teration=4000, rank=0, evaluation_result_list=[]))
    187         else:
    188             assert env.cvfolds is not None
    189 
    190     def callback(env):
    191         """internal function"""
--> 192         score = env.evaluation_result_list[-1][1]
        score = undefined
        env.evaluation_result_list = []
    193         if len(state) == 0:
    194             init(env)
    195         best_score = state['best_score']
    196         best_iteration = state['best_iteration']

Como posso aplicar o GridSearch no XGBoost usando early_stopping_rounds?

note: o modelo está funcionando sem o Gridsearch, o GridSearch também funciona sem o 'fit_params = {' early_stopping_rounds ': 42}