十五、估计器流水线

优质

小牛编辑

137浏览

2023-12-01

在本节中，我们将研究如何链接不同的估计器。

简单示例：估计器之前的特征提取和选择

特征提取：向量化器

对于某些类型的数据，例如文本数据，必须应用特征提取步骤将其转换为数值特征。为了说明，我们加载我们之前使用的 SMS 垃圾邮件数据集。

import os

with open(os.path.join("datasets", "smsspam", "SMSSpamCollection")) as f:
    lines = [line.strip().split("\t") for line in f.readlines()]
text = [x[1] for x in lines]
y = [x[0] == "ham" for x in lines]

from sklearn.model_selection import train_test_split

text_train, text_test, y_train, y_test = train_test_split(text, y)

以前，我们手动应用了特征提取，如下所示：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

vectorizer = TfidfVectorizer()
vectorizer.fit(text_train)

X_train = vectorizer.transform(text_train)
X_test = vectorizer.transform(text_test)

clf = LogisticRegression()
clf.fit(X_train, y_train)

clf.score(X_test, y_test)

我们学习转换然后将其应用于测试数据的情况，在机器学习中非常常见。因此 scikit-learn 有一个快捷方式，称为流水线：

from sklearn.pipeline import make_pipeline

pipeline = make_pipeline(TfidfVectorizer(), LogisticRegression())
pipeline.fit(text_train, y_train)
pipeline.score(text_test, y_test)

如你所见，这使代码更短，更容易处理。在背后，与上面完全相同。当在水流上调用fit时，它将依次调用每个步骤的fit。

在第一步的fit之后，它将使用第一步的transform方法来创建新的表示。然后将其用于下一步的fit，依此类推。最后，在最后一步，只调用fit。

如果我们调用score，那么每一步都只会调用transform - 毕竟这可能是测试集！然后，在最后一步，使用新的表示调用score。 predict也是如此。

流水线的构建不仅简化了代码，而且对于模型选择也很重要。假设我们想要网格搜索C来调整上面的 Logistic 回归。

让我们假设我们这样做：

# This illustrates a common mistake. Don't use this code!
from sklearn.model_selection import GridSearchCV

vectorizer = TfidfVectorizer()
vectorizer.fit(text_train)

X_train = vectorizer.transform(text_train)
X_test = vectorizer.transform(text_test)

clf = LogisticRegression()
grid = GridSearchCV(clf, param_grid={'C': [.1, 1, 10, 100]}, cv=5)
grid.fit(X_train, y_train)

我们哪里做错了？

在这里，我们使用X_train上的交叉验证进行了网格搜索。然而，当应用TfidfVectorizer时，它看到了所有的X_train，而不仅仅是训练折叠！因此，它可以使用测试折叠中单词频率的知识。这被称为测试集的“污染”，并且使泛化性能或错误选择的参数的估计过于乐观。我们可以通过流水线解决这个问题：

from sklearn.model_selection import GridSearchCV

pipeline = make_pipeline(TfidfVectorizer(), 
                         LogisticRegression())

grid = GridSearchCV(pipeline,
                    param_grid={'logisticregression__C': [.1, 1, 10, 100]}, cv=5)

grid.fit(text_train, y_train)
grid.score(text_test, y_test)

请注意，我们需要告诉流水线我们要在哪一步设置参数C。我们可以使用特殊的__语法来完成此操作。 __之前的名称只是类的名称，__之后的部分是我们想要使用网格搜索设置的参数。

使用流水线的另一个好处是，我们现在还可以使用GridSearchCV搜索特征提取的参数：

from sklearn.model_selection import GridSearchCV

pipeline = make_pipeline(TfidfVectorizer(), LogisticRegression())

params = {'logisticregression__C': [.1, 1, 10, 100],
          "tfidfvectorizer__ngram_range": [(1, 1), (1, 2), (2, 2)]}
grid = GridSearchCV(pipeline, param_grid=params, cv=5)
grid.fit(text_train, y_train)
print(grid.best_params_)
grid.score(text_test, y_test)

练习
使用StandardScaler和RidgeRegression创建流水线，并将其应用于波士顿住房数据集（使用sklearn.datasets.load_boston加载）。尝试添加sklearn.preprocessing.PolynomialFeatures变换器作为第二个预处理步骤，并网格搜索多项式的次数（尝试 1,2 和 3）。

# %load solutions/15A_ridge_grid.py