python爬网站数据变压器_python – scikit-learn管道：网格搜索变压器参数以生成数据...

我想使用scikit-learn管道的第一步来生成玩具数据集,以评估我的分析性能.我想出的一个简单的示例解决方案如下所示：

import numpy as np

from sklearn.pipeline import Pipeline

from sklearn.grid_search import GridSearchCV

from sklearn.base import TransformerMixin

from sklearn import cluster

class FeatureGenerator(TransformerMixin):

def __init__(self, num_features=None):

self.num_features = num_features

def fit(self, X, y=None, **fit_params):

return self

def transform(self, X, **transform_params):

return np.array(

range(self.num_features*self.num_features)

).reshape(self.num_features,

self.num_features)

def get_params(self, deep=True):

return {"num_features": self.num_features}

def set_params(self, **parameters):

self.num_features = parameters["num_features"]

return self

这个变压器在起作用. G.被称为这样：

pipeline = Pipeline([

('pick_features', FeatureGenerator(100)),

('kmeans', cluster.KMeans())

])

pipeline = pipeline.fit(None)

classes = pipeline.predict(None)

print classes

一旦我尝试对此管道进行网格搜索,它就变得棘手：

parameter_sets = {

'pick_features__num_features' : [10,20,30],

'kmeans__n_clusters' : [2,3,4]

}

pipeline = Pipeline([

('pick_features', FeatureGenerator()),

('kmeans', cluster.KMeans())

])

g_search_estimator = GridSearchCV(pipeline, parameter_sets)

g_search_estimator.fit(None,None)

网格搜索期望样本和标签作为输入,并且不像管道那样健壮,管道不会抱怨None作为输入参数：

TypeError: Expected sequence or array-like, got

这是有道理的,因为网格搜索需要将数据集划分为不同的cv分区.

除了上面的例子,我有很多参数,可以在数据集生成步骤中进行调整.因此,我需要一个解决方案,将此步骤包含在我的参数选择交叉验证中.

问题：有没有办法从第一个变换器内部设置GridSearch的X和y？或者解决方案怎么样,用多个不同的数据集(最好是并行)调用GridSearch？或者有没有人试图自定义GridSearchCV或可以指向一些阅读材料？

解决方法:

您的代码非常干净,因此很高兴为您提供这种快速而肮脏的解决方案：

g_search_estimator.fit([1., 1., 1.],[1., 0., 0.])

g_search_estimator.best_params_

输出：

[tons of int64 to float64 conversion warnings]

{'kmeans__n_clusters': 4, 'pick_features__num_features': 10}

请注意,您需要3个样本,因为您正在进行(默认)3倍交叉验证.

你得到的错误是因为GridSearchCV对象执行的检查,所以它发生在变换器有可能做任何事情之前.所以我会对你的第一个问题说“不”：

Is there a way to set the Xs and ys of the GridSearch from inside the

first transformer?

编辑：

我意识到这是不必要的混淆,以下三行是等价的：

g_search_estimator.fit([1.,1.,1.],[1.,0.,0.])

g_search_estimator.fit([1.,1.,1.],无)

g_search_estimator.fit([1.,1.,1.])

很抱歉在那里匆匆扔了随机的ys.

关于网格搜索如何计算不同网格点的得分的一些解释：当你将得分=无传递给GridSearchCV构造函数时(这是默认值,这就是你在这里得到的),它会向估算器询问得分函数.如果有这样的功能,它将用于评分.对于KMeans,默认分数函数基本上与到集群中心的距离之和相反.

这是一个无监督的指标,因此这里不需要y.

把它包装起来,你将永远能够：

set the Xs of the GridSearch from inside the first transformer

只需将输入X“转换”为完全不相关的东西,没有人会抱怨它.你确实需要一些输入random_X.

现在,如果您想使用受监督的指标(我从您的问题中得到这种感觉),您还需要指定y.

一个简单的场景是你有一个固定的y向量,你想尝试几个X.然后你可以这样做：

g_search_estimator.fit(random_X, y, scoring=my_scoring_function)

它应该运行正常.如果你想搜索y的不同值,它可能会有点棘手.

标签：python,scikit-learn,cross-validation,grid-search

来源： https://codeday.me/bug/20190711/1434176.html