构建用于训练 doc2vec 嵌入的学习曲线答案

【问题标题】：Build a learning curve for training a doc2vec embedding构建用于训练 doc2vec 嵌入的学习曲线
【发布时间】：2019-03-30 23:01:17
【问题描述】：

我正在尝试优化用于训练嵌入的 epoch 数。有没有办法为这个过程生成学习曲线。

例如，我可以为常规监督分类创建学习曲线。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.model_selection import StratifiedShuffleSplit

def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=None, train_sizes=np.linspace(.1, 1.0, 5)):
    plt.figure()
    plt.title(title)
    if ylim is not None:
        plt.ylim(*ylim)
    plt.xlabel("Training examples")
    plt.ylabel("Score")
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
    train_scores_mean = np.mean(train_scores, axis=1)
    train_scores_std = np.std(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    test_scores_std = np.std(test_scores, axis=1)
    plt.grid()

    plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
                     train_scores_mean + train_scores_std, alpha=0.1,
                     color="r")
    plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
                     test_scores_mean + test_scores_std, alpha=0.1, color="g")
    plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
             label="Training score")
    plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
             label="Cross-validation score")

    plt.legend(loc="best")
    return plt

title = "Learning Curves (SGDClassifier)"

cv = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)

estimator = SGDClassifier()
plot_learning_curve(estimator, title, X_all.todense(), y, ylim=(0.7, 1.01), cv=cv, n_jobs=4)

例如，我可以训练嵌入。

from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from nltk.tokenize import word_tokenize


X_tagged = [TaggedDocument(words=word_tokenize(_d.lower()), tags=[str(i)]) for i, _d in enumerate(X)]

model = Doc2Vec(size=8, alpha=0.05, min_alpha=0.00025, dm =1)

model.build_vocab(X_tagged)

model_title.train(X_tagged, total_examples=model.corpus_count, epochs=50)

但是如何在训练嵌入时创建学习曲线。

我对训练嵌入没有足够的直觉来解决这个问题。

【问题讨论】：

与您的主要问题分开：您的训练循环一团糟。它实际上对数据进行了 250 次传递（每次调用 train() 5 个 model.iter epoch，调用 50 次）。在第一次调用训练时，模型的内部 alpha 将从您的起始 0.05 值适当下降到您的结束 0.00025 值。但是在其他 49 次调用中，它的值将在 0.05 到 0.04 (0.05 - 50 * 0.0002) 之间。你真的应该只调用一次train()，在epochs 中使用所需的传递次数，并让模型本身正确管理alpha。不要相信其他的例子。
谢谢@gojomo。更新

标签： python machine-learning scikit-learn doc2vec

【解决方案1】：

通常情况下，学习曲线会针对不同数量的训练数据绘制模型的性能（作为一些定量分数，例如“准确度”）。

因此，您需要选择一种方法来为您的Doc2Vec 模型评分。（也许这将通过使用 doc-vectors 作为另一个分类器的输入，或其他东西。）然后，您需要使用各种不同的训练集大小重新创建 Doc2Vec 模型，对每一个进行评分，并将(corpus_size, score) 数据点提供给绘图。

请注意，gensim 包含一个包装类，用于将 Doc2Vec 训练步骤放入 scikit-learn 管道：

https://radimrehurek.com/gensim/sklearn_api/d2vmodel.html

因此，您可以将现有代码的简单estimator 替换为多步管道，包括将D2VTransformer 作为一个步骤。因此，您将以与现有代码高度相似的方式创建学习曲线图。

【讨论】：