网格搜索预处理多个超参数和多个估计器

Question

长期 R 用户，学习 Python。我正在尝试使用 GridSearch 为管道中的 PCA 步骤以及多个估计器尝试不同数量的组件。我认为下面的代码正在执行这些操作（使用GridSearch 文档和其他来源），但best_params_ 的结果没有预处理参数和估计参数；而是打印{'prep2__pcadtm__n_components': 3}，这向我表明他的代码没有按照我的想法进行。

• 下面的代码是用多个超参数和多个估计器（加上超参数）测试预处理的方法吗 相同的 GridSearch？ 如果不是...
• 如何包含预处理 多个超参数和多个估计器（加上超参数） 在同一个 GridSearch 中？

MWE

## Dependencies
import seaborn as sns
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.compose import ColumnTransformer
from sklearn.neighbors import KNeighborsClassifier
from imblearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
    
## load data set
df = sns.load_dataset('mpg').drop(["name"], axis = 1).dropna()

## Factoize the outcome
factor = pd.factorize(df['origin'])
df.origin = factor[0]
definitions = factor[1]
outcome_order = definitions.tolist()

X = df.loc[:, ~df.columns.isin(['origin'])]
y = df.iloc[:,7].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = 21) 


scaler = StandardScaler()
pca = PCA(n_components = 2)
dtm_i = list(range(2, len(X_train.columns)))
dtm_i2 = list(range(0, len(X_train.columns)-2))

preprocess = ColumnTransformer(transformers=[('scaler', scaler, dtm_i)], remainder='passthrough')
preprocess2 = ColumnTransformer(transformers=[('pcadtm', pca, dtm_i2)], remainder='passthrough')


pipeline = Pipeline([
    ('prep', preprocess),
    ('prep2', preprocess2),
    ('clf', RandomForestClassifier())
])


search_space = [
    {
       'prep2__pcadtm__n_components': [2, 3]
    },
    {
       'clf': [RandomForestClassifier()],
       'clf__max_depth': [5, 15]
    },
    {
       'clf': [KNeighborsClassifier()],
       'clf__n_neighbors' : [2, 3]
    }
]


# Create grid search
grid_imba = GridSearchCV(
    estimator = pipeline,
    param_grid = search_space,
    scoring = 'accuracy',
    cv = 3,
    return_train_score = True
)

## Fit the model using all the different estimators
grid_imba.fit(X_train, y_train);

## Extract best
best_params = grid_imba.best_params_
print(best_params)

##{'prep2__pcadtm__n_components': 3}

我认为GridSearch 会生成 2 个和 3 个 PCA 组件数据集，然后使用估算器将其传递到下一步。反过来，两个 PCA 输出都将使用随机森林进行测试，然后是 KNN [每个都有 2 个超参数。含义 2（2 和 3 个组件的 PCA 数据集）X 2（估计器）X 2（每个估计器的超参数）= 8 个正在测试的模型]。我认为我不正确。

最后，为了提高效率，最好不要在每次尝试新的估算器时都计算 prep2 步骤。

Answer 1

确实，当param_grid 是字典列表时，搜索发生在每个字典生成的网格的联合 上。所以你的代码实际上检查了六个超参数组合：

• PCA 暗淡 2，RandomForest 默认深度 = 无
• PCA 暗淡 3，RandomForest 默认深度 = 无
• PCA 默认值 (dim2)，随机森林深度 5
• PCA 默认值 (dim2)，RandomForest 深度 15
• PCA 默认值 (dim2)，KNN k=2
• PCA 默认值 (dim2)，KNN k=3

你需要类似的东西

search_space = {
    'prep2__pcadtm__n_components': [2, 3],
    'clf': [RandomForestClassifier(max_depth=5),
            RandomForestClassifier(max_depth=15),
            KNeighborsClassifier(n_neighbors=2),
            KNeighborsClassifier(n_neighbors=3)],
}

根据您的实际需求，列出每个不同模型所需的所有超参数组合当然可能会变得笨拙。在这种情况下，嵌套搜索可能是最简单的：

rf_gs = GridSearchCV(
    estimator=RandomForestClassifier(),
    param_grid={'max_depth': [5, 15]},
)
kn_gs = GridSearchCV(
    estimator=KNeighborsClassifier(),
    param_grid={'n_neighbors': [2, 3]},
)

pipeline = Pipeline([
    ('prep', preprocess),
    ('prep2', preprocess2),
    ('clf', RandomForestClassifier())
])


search = GridSearchCV(
    estimator=pipeline,
    param_grid={
        'prep2__pcadtm__n_components': [2, 3],
        'clf': [rf_gs, kn_gs],
    },
    scoring = 'accuracy',
    cv = 3,
    return_train_score = True    
)

这还具有减少预处理器计算次数的效果。但另请参阅Pipeline 的memory 参数。

另外，请注意，这种方法相当显着地改变了 cv 折叠。如果您想要“平面”搜索，可以编写一个快速脚本以在第一种方法中生成更长的列表。