在 GridSearchCV 的管道中替代不同的模型

Question

我想在 sklearn 中构建一个 Pipeline 并使用 GridSearchCV 测试不同的模型。

只是一个例子（请不要注意选择了哪些特定型号）：

reg = LogisticRegression()

proj1 = PCA(n_components=2)
proj2 = MDS()
proj3 = TSNE()

pipe = [('proj', proj1), ('reg' , reg)]

pipe = Pipeline(pipe)

param_grid = {
    'reg__c': [0.01, 0.1, 1],
}

clf = GridSearchCV(pipe, param_grid = param_grid)

这里如果我想尝试不同的降维模型，我需要编写不同的管道并手动比较它们。有什么简单的方法吗？

我想出的一个解决方案是定义我自己的从基估计器派生的类：

class Projection(BaseEstimator):
    def __init__(self, est_name):
        if est_name == "MDS":
            self.model = MDS()
        ...
    ...
    def fit_transform(self, X):
        return self.model.fit_transform(X)

我认为它会起作用，我只是创建一个 Projection 对象并将其传递给 Pipeline，使用估计器的名称作为它的参数。

但对我来说，这种方式有点混乱且不可扩展：每次我想比较不同的模型时，它都会让我定义新的类。同样为了继续这个解决方案，人们可​​以实现一个做同样工作的类，但使用任意一组模型。这对我来说似乎过于复杂了。

比较不同模型最自然、最符合 Python 的方法是什么？

Answer 1

不需要在参数网格中为估计器名称添加前缀的替代解决方案如下：

from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression

# the models that you want to compare
models = {
    'RandomForestClassifier': RandomForestClassifier(),
    'KNeighboursClassifier': KNeighborsClassifier(),
    'LogisticRegression': LogisticRegression()
}

# the optimisation parameters for each of the above models
params = {
    'RandomForestClassifier':{ 
            "n_estimators"      : [100, 200, 500, 1000],
            "max_features"      : ["auto", "sqrt", "log2"],
            "bootstrap": [True],
            "criterion": ['gini', 'entropy'],
            "oob_score": [True, False]
            },
    'KNeighboursClassifier': {
        'n_neighbors': np.arange(3, 15),
        'weights': ['uniform', 'distance'],
        'algorithm': ['ball_tree', 'kd_tree', 'brute']
        },
    'LogisticRegression': {
        'solver': ['newton-cg', 'sag', 'lbfgs'],
        'multi_class': ['ovr', 'multinomial']
        }  
}

你可以定义：

from sklearn.model_selection import GridSearchCV

def fit(train_features, train_actuals):
        """
        fits the list of models to the training data, thereby obtaining in each 
        case an evaluation score after GridSearchCV cross-validation
        """
        for name in models.keys():
            est = models[name]
            est_params = params[name]
            gscv = GridSearchCV(estimator=est, param_grid=est_params, cv=5)
            gscv.fit(train_features, train_actuals)
            print("best parameters are: {}".format(gscv.best_estimator_))

基本上运行在不同的模型中，每个模型通过字典引用自己的一组优化参数。当然不要忘记将模型和参数字典传递给fit 函数，以防您没有将它们作为全局变量。查看at this GitHub project 以获得更完整的概述。

Answer 2

假设您想使用 PCA 和 TruncatedSVD 作为降维步骤。

pca = decomposition.PCA()
svd = decomposition.TruncatedSVD()
svm = SVC()
n_components = [20, 40, 64]

你可以这样做：

pipe = Pipeline(steps=[('reduction', pca), ('svm', svm)])

# Change params_grid -> Instead of dict, make it a list of dict
# In the first element, pass parameters related to pca, and in second related to svd

params_grid = [{
'svm__C': [1, 10, 100, 1000],
'svm__kernel': ['linear', 'rbf'],
'svm__gamma': [0.001, 0.0001],
'reduction':pca,
'reduction__n_components': n_components,
},
{
'svm__C': [1, 10, 100, 1000],
'svm__kernel': ['linear', 'rbf'],
'svm__gamma': [0.001, 0.0001],
'reduction':svd,
'reduction__n_components': n_components,
'reduction__algorithm':['randomized']
}]

现在只需将管道对象传递给 gridsearchCV

grd = GridSearchCV(pipe, param_grid = params_grid)

调用grd.fit() 将在params_grid 列表的两个元素上搜索参数，一次使用来自one 的所有值。

更多详情请看我的其他回答："Parallel" pipeline to get best model using gridsearch