勾配ブーステイング決定木での、最適値変数について

Question

勾配ブーステイング決定木（GBT)で、使用パラメータグリッドを以下のように作成します。
また、ランダムサーチを実行します。

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import RandomizedSearchCV

param_dist = {'max_features' : ['log2',1.0],
 'max_depth' : [3, 5, 7, 10],
 'min_samples_leaf' : [2, 3, 5, 10],
 'n_estimators': [50, 100],
 'learning_rate' : [0.0001,0.001,0.01,0.05,0.1,0.3],
 'loss' : ['ls','huber']
 }

pre_gs_inst = RandomizedSearchCV(GradientBoostingRegressor(warm_start=True),
 param_distributions = param_dist,
 cv=3,
 n_iter = 30, n_jobs=-1)
pre_gs_inst.fit(X_train, y_train)

上記の結果から、別のランダムサーチを実行します。

param_dist = {'max_features' : ['sqrt',0.5,'log2'],
 'max_depth' : [4,5,6],
 'min_samples_leaf' : [1,2,3],
 'n_estimators': [50, 100],
 'learning_rate' : [0.01,0.05,0.1],
 'loss' : ['ls','huber']
 }
pre_gs_inst = RandomizedSearchCV(GradientBoostingRegressor(warm_start=True),
param_distributions = param_dist,cv=3,n_iter = 30, n_jobs=-1)
pre_gs_inst.fit(X_train, y_train)

さらに、上記の結果から、変数rs_gbtに格納し、最後に4000個の推定器での訓練を実施する。

rs_gbt = GradientBoostingRegressor(warm_start=True,
 max_features = 0.5,
 min_samples_leaf = 2,
 learning_rate=0.05,
 max_depth = 4,
 n_estimators = 4000,loss = 'huber')

rs_gbt.fit(X_train, y_train)

上記のように、ランダムサーチを２回繰り返し、その結果をrs_gbtに変数入力するアルゴリズム
です。
これを、自動入力にしたいのです。
１度目のランダムサーチの最適値（mean_scoreが高いもの）を、２回目のランダムサーチに
自動でいれる。（lossは、huberとlsは固定で２つ入れる）そして、２回目のランダムサーチ
では、最適値の前後値も自動で設定する。最後に、２回目のランダムサーチの最適値をrs_gbtに
自動で変数入力する。
ランダムサーチの最適値を取り入れる変数が設定されていれば、できそうなのですが、わかる
かた、いらっしゃいますでしょうか。よろしくお願いいたします。

Answer 1

pre_gs_inst.best_params_['max_features']で得られました。
自己解決しました。