将 sklearn 的 GridSearchCV 与管道一起使用，只需预处理一次

Question

我正在使用 sickit-learn 来调整模型的超参数。我正在使用管道将预处理与估计器链接起来。我的问题的一个简单版本如下所示：

import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression


grid = GridSearchCV(make_pipeline(StandardScaler(), LogisticRegression()),
                    param_grid={'logisticregression__C': [0.1, 10.]},
                    cv=2,
                    refit=False)

_ = grid.fit(X=np.random.rand(10, 3),
             y=np.random.randint(2, size=(10,)))

在我的例子中，预处理（玩具示例中的 StandardScale()）非常耗时，而且我没有调整它的任何参数。

因此，当我执行示例时，StandardScaler 会执行 12 次。 2 拟合/预测 * 2 cv * 3 参数。但是每次对参数 C 的不同值执行 StandardScaler 时，它都会返回相同的输出，因此计算一次，然后只运行管道的估计器部分会更有效。

我可以手动拆分预处理（未调整超参数）和估计器之间的管道。但是要将预处理应用于数据，我应该只提供训练集。所以，我必须手动实现拆分，根本不使用 GridSearchCV。

是否有一种简单/标准的方法可以避免在使用 GridSearchCV 时重复预处理？

Answer 1

更新： 理想情况下，不应使用以下答案，因为它会导致数据泄漏，如 cmets 中所述。在这个答案中，GridSearchCV 将调整已经由StandardScaler 预处理的数据的超参数，这是不正确的。在大多数情况下，这应该无关紧要，但对缩放过于敏感的算法会给出错误的结果。

---

本质上，GridSearchCV 也是一个估计器，实现了管道使用的 fit() 和 predict() 方法。

所以而不是：

grid = GridSearchCV(make_pipeline(StandardScaler(), LogisticRegression()),
                    param_grid={'logisticregression__C': [0.1, 10.]},
                    cv=2,
                    refit=False)

这样做：

clf = make_pipeline(StandardScaler(), 
                    GridSearchCV(LogisticRegression(),
                                 param_grid={'logisticregression__C': [0.1, 10.]},
                                 cv=2,
                                 refit=True))

clf.fit()
clf.predict()

它将做的是，只调用一次 StandardScalar()，一次调用 clf.fit() 而不是您描述的多次调用。

编辑：

在管道内使用 GridSearchCV 时，将改装更改为 True。作为mentioned in documentation：

refit : 布尔值，默认 = True 用整个数据集重新拟合最佳估计器。如果为“False”，则无法使用此 GridSearchCV 实例进行预测 装好后。

如果 refit=False，clf.fit() 将不起作用，因为管道内的 GridSearchCV 对象将在fit() 之后重新初始化。 当refit=True 时，GridSearchCV 将在fit() 中传递的整个数据上使用最佳评分参数组合进行重新拟合。

所以如果你想制作管道，只看网格搜索的分数，只有refit=False是合适的。如果要调用clf.predict()方法，必须使用refit=True，否则会抛出Not Fitted错误。

Answer 2

对于那些偶然发现一些不同问题的人，我也遇到过。

假设你有这个管道：

classifier = Pipeline([
    ('vectorizer', CountVectorizer(max_features=100000, ngram_range=(1, 3))),
    ('clf', RandomForestClassifier(n_estimators=10, random_state=SEED, n_jobs=-1))])

然后，在指定参数时，您需要包含您用于估算器的“clf_”名称。所以参数网格将是：

params={'clf__max_features':[0.3, 0.5, 0.7],
        'clf__min_samples_leaf':[1, 2, 3],
        'clf__max_depth':[None]
        }

Answer 3

在当前版本的 scikit-learn (0.18.1) 中无法做到这一点。已经在 github 项目上提出了一个修复：

https://github.com/scikit-learn/scikit-learn/issues/8830

https://github.com/scikit-learn/scikit-learn/pull/8322