如何使用 scikit-learn API 实现元估计器？

Question

我想实现一个与所有 scikit-learn 兼容的简单包装器/元估计器。很难找到我到底需要什么的完整描述。

目标是有一个回归器，它也学习一个阈值来成为一个分类器。所以我想出了：

from sklearn.base import BaseEstimator, ClassifierMixin, clone

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        # threshold_ does not get initialized in __init__ ??

    def fit(self, X, y, optimal_threshold):
        self.regressor = clone(self.regressor)    # is this required my sklearn??
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        self.threshold_ = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y

这是否实现了我需要的完整 API？

我的主要问题是把threshold 放在哪里。我希望它只学习一次，并且可以在后续 .fit 调用中重新使用新数据而无需重新调整。但是对于当前版本，必须在每次调用 .fit 时重新调整它——我不希望这样吗？

另一方面，如果我将其设为固定参数self.threshold 并将其传递给__init__，那么我不应该用数据更改它吗？

我怎样才能创建一个threshold 参数，该参数可以在.fit 的一次调用中调整并在后续.fit 调用中修复？

Answer 1

I actually wrote a blog post about this the other day。我假设您正在尝试构建类似于 TransformedTargetRegressor 的东西，我建议您查看其源代码以构建类似的东西。

您当前的实现似乎是正确的。就这个问题而言：

如何制作一个阈值参数，该参数可以在一次调用 .fit 中进行调整，并为后续的.fit 调用进行修复？

我不建议这样做，因为 scikit-learn 的 API 是基于 fit 方法重新拟合模型的所有可调方面。您可以在此处使用两条路线，将**kwarg 添加到明确保护theshold 不更新的匹配项，或者您可以使用@rotem-tal suggested。如果你选择后者，它可能看起来像这样：

import numpy as np
from sklearn.base import BaseEstimator, ClassifierMixin

def optimal_threshold(y_raw: np.ndarray) -> np.ndarray:
    return np.array([0.1, 0.5, 1])  # some implementation here

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        self.threshold = None

    def fit(self, X, y, optimal_threshold):
        # you don't need to clone the regressor
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        if self.threshold is None:
            self.threshold = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y