多个 scikit 学习管道的奇怪行为

Question

我正在使用 sklearn 训练一个模型，我的训练序列需要运行两个不同的特征提取管道。

由于某种原因，每个管道都可以毫无问题地拟合数据，并且当它们按顺序出现时，它们也可以毫无问题地转换数据。

但是，当第二个管道已经安装后调用第一个管道时，第一个管道已被更改，这会导致尺寸不匹配错误。

在下面的代码中，您可以重新创建问题（我已经大大简化了它，实际上我的两个管道使用不同的参数，但这是一个最低限度可重现的示例）。

from sklearn.pipeline import Pipeline
from sklearn.decomposition import TruncatedSVD
from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd

vectorizer = CountVectorizer()

data1 = ['foo bar', 'a foo bar duck', 'goose goose']
data2 = ['foo', 'duck duck swan', 'goose king queen goose']

pipeline1 = Pipeline([('vec', vectorizer),('svd', TruncatedSVD(n_components = 3))]).fit(data1)

print(pipeline1.transform(data1))

# Works fine

pipeline2 = Pipeline([('vec', vectorizer),('svd', TruncatedSVD(n_components = 3))]).fit(data2)

print(pipeline2.transform(data2))

# Works fine

print(pipeline1.transform(data1))

# ValueError: dimension mismatch

显然，“pipeline2”的安装在某种程度上干扰了“pipeline1”，但我不知道为什么。我希望能够同时使用它们。

Answer 1

会发生什么：

当您首先定义vectorizer 时，会发生以下情况：

1. 你创建vectorizer

2. 你适合第一个管道：

   • 已安装矢量化器，输出昏暗度为 (3,4)，例如 3 个元素，4 个单词：foo、bar、duck、goose
   • svd 适合有 4 列作为输入

3. 你适合第二个管道：

   • 再次安装矢量化器，这次输出 6 个单词（例如列）：foo、duck、swan、goose、king、queen
   • 其他 svd 已安装，此处不相关

4. 你回调第一个管道：

   • 矢量化器输出一个 (3,6) 矩阵，使用上次拟合的单词，例如第二个管道
   • 已安装 svd 以接受 4 列作为输入，引发异常。

如何验证：

vectorizer = CountVectorizer()

data1 = ['foo bar', 'a foo bar duck', 'goose goose']
data2 = ['foo', 'duck duck swan', 'goose king queen goose']

pipeline1 = Pipeline([('vec', vectorizer)]).fit(data1)
print(pipeline1.transform(data1).shape)

(3, 4)

# Works fine
pipeline2 = Pipeline([('vec', vectorizer)]).fit(data2)
print(pipeline2.transform(data2).shape)

(3, 6)

# Works fine

# vectorizer = CountVectorizer()
print(pipeline1.transform(data1).shape)

(3, 6)

如何解决：

您只需在管道中包含矢量化器的定义，如下所示：

from sklearn.pipeline import Pipeline
from sklearn.decomposition import TruncatedSVD
from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd


data1 = ['foo bar', 'a foo bar duck', 'goose goose']
data2 = ['foo', 'duck duck swan', 'goose king queen goose']

pipeline1 = Pipeline([('vec', CountVectorizer()),('svd', TruncatedSVD(n_components = 3))]).fit(data1)

print(pipeline1.transform(data1))

# Works fine

pipeline2 = Pipeline([('vec', CountVectorizer()),('svd', TruncatedSVD(n_components = 3))]).fit(data2)

print(pipeline2.transform(data2))

# Works fine

print(pipeline1.transform(data1))