如何在 python 中通过三个步骤定义管道：预处理、预测和后处理？

Question

我正在尝试使用 sklearn.pipeline.Pipeline 在 python 中定义一个管道来执行 3 个步骤：预处理、预测和后处理。最终目标是定义一个谷歌云函数，我只需传递 joblib 模型并获得该标签的预测标签和预测概率。

我成功地用前 2 个步骤定义了管道，它工作正常。但是，当我尝试包含第三个（后处理）步骤时，我会收到错误消息。我尝试了各种方法并收到不同的错误消息。 在下面的代码中，如果我从管道中删除 ('proba', FunctionTransformer(findProba()) 一切正常。我似乎无法弄清楚如何将后处理步骤包含到我的管道中。

Scikit-learn 将管道类（参见https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html）定义为：

带有最终估计器的转换管道。

依次应用变换列表和最终估计器。管道的中间步骤必须是“变换”，即它们必须实现拟合和变换方法。最终的估计器只需要实现拟合。管道中的转换器可以使用内存参数进行缓存。

阅读此定义后，我开始想知道是否可以在估算器之后包含一个步骤。但就我而言，我真的需要能够返回课程（在我的情况下为 konto）以及获得该案例的概率（proba）。如果我在第二步之后停止，我将无法计算并返回在线预测期间的概率。

我包含代码摘要以显示我在做什么：

from nltk import word_tokenize
from nltk.corpus import stopwords
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import numpy as np
from sklearn.model_selection import train_test_split 
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.pipeline import Pipeline
from sklearn.naive_bayes import MultinomialNB
from datetime import date
import time 

import warnings
warnings.filterwarnings('ignore')


def findProba(model,Input_Text):
    Input_Text = [Input_Text]
    Y_predicted = model.predict(Input_Text)
    Y_predict_proba = model.predict_proba(Input_Text)
    max_proba_rows = np.amax(Y_predict_proba, axis=1)*100
    round_off_proba = np.around(max_proba_rows, decimals = 1)
    d = dict()
    d['Konto'] = Y_predicted[0]
    d['proba'] = round_off_proba[0]
    return d


df_total = pd.read_csv('dataset_mars2019_trimmed_mapped.csv')
df=df_total.sample(frac=0.001, random_state=1)

X_train, X_test, y_train, y_test = train_test_split(df['Input_Data'], df['LABEL'], random_state = 0, test_size=0.25)

text_clf = Pipeline([('tfidf', TfidfVectorizer()),
                     ('clf', MultinomialNB()),
                     ('proba', FunctionTransformer(findProba()),
])

 _ = text_clf.fit(X_train, y_train)


from sklearn.externals import joblib
joblib.dump(text_clf, 'model.joblib')

Answer 1

sklearn.pipeline.Pipeline 的语义如下：一系列转换器（即实现 fit 和 transform）后跟一个最终预测器（即实现 fit 和 predict（可选 predict_proba,@ 987654327@等）。

由于所有 scikit-learn 指标都只期望 predict 或 predict_proba 输出，因此做你喜欢的事情并不简单。

我认为最简单的方法是实现你自己的元估计器，这将产生你想要的：

from sklearn.base import BaseEstimator
class PostProcessor(BaseEstimator):
    def __init__(self, predictor):
        self.predictor = predictor
    def fit(self, X, y):
        self.predictor.fit(X, y)
    def predict(self, X):
        y_pred = self.predictor.predict(X)
        y_pred_proba = self.predictor.predict_proba(X)
        # do something with those
        return np.hstack([y_pred, y_pred_proba])