scikit-learn 管道：对变压器参数进行网格搜索以生成数据

Question

我想使用 scikit-learn 管道的第一步来生成一个玩具数据集，以评估我的分析性能。我想出的一个简单易用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

这个变压器在行动将 e。 G。可以这样称呼：

pipeline = Pipeline([
    ('pick_features', FeatureGenerator(100)),
    ('kmeans', cluster.KMeans())
])

pipeline = pipeline.fit(None)
classes = pipeline.predict(None)
print classes

当我尝试在此管道上进行网格搜索时，这对我来说很棘手：

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)

网格搜索需要样本和标签作为输入，不如管道那么健壮，它不会抱怨 None 作为输入参数：

TypeError: Expected sequence or array-like, got <type 'NoneType'>

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，我还有很多参数，可以在数据集生成步骤中调整。因此，我需要一个解决方案来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转换器内部设置 GridSearch 的 Xs 和 ys？或者使用多个不同数据集（最好是并行的）调用 GridSearch 的解决方案会是什么样子？或者有没有人尝试自定义GridSearchCV或者可以指出一些关于这方面的阅读材料？

Answer 1

您的代码非常干净，因此很高兴为您提供这个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 折交叉验证。

你得到的错误是由于GridSearchCV 对象执行的检查而发生的，所以它发生在你的转换器有机会做任何事情之前。所以我会对你的第一个问题说“不”：

有没有办法从内部设置 GridSearch 的 Xs 和 ys 第一个变压器？

编辑：
我意识到这是不必要的混乱，以下三行是等效的： 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.])

抱歉在里面匆忙乱扔了ys。

关于网格搜索如何计算不同网格点的分数的一些解释：当您将 scoring=None 传递给 GridSearchCV 构造函数时（这是默认设置，所以这就是您在此处所拥有的），它会向估算器询问分数功能。如果有这样的功能，它用于评分。对于KMeans，默认评分函数本质上与到聚类中心的距离之和相反。
这是一个无监督的指标，所以这里不需要y。

总结一下，您将永远能够：

从第一个转换器内部设置 GridSearch 的 X

只需将输入X '转换'为完全不相关的东西，没有人会抱怨它。不过，您确实需要一些输入random_X。
现在，如果您想使用受监督的指标（我从您的问题中有这种感觉），您还需要指定 y。
一个简单的场景是您有一个固定的y 向量，并且您想尝试几个X。然后你可以这样做：

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

它应该运行良好。如果你想搜索 y 的不同值，可能会有点棘手。