具有交叉验证的ngrams文本模型

Question

在ngram模型（字符ngram或单词袋）中，我们需要确保测试数据的词汇不被用于拟合或训练模型。

这就是sklearn TfidfVectorizer函数对两个函数（fit和transform）所做的操作。

model = Pipeline([
        ('tfidf', TfidfVectorizer()),
        ('svc', SVC())
    ])

cv = cross_val_score(model, data['text'], data['label'], cv=5, scoring='accuracy', n_jobs=-1)

还是一开始就适合模型一次（第一次）？

Answer 1

是的管道运行于每个cv步骤，因此对于cv的每个步骤，tfidf拟合仅用于列车折叠，转换用于测试和测试折叠

from sklearn.pipeline import Pipeline
from sklearn.base import BaseEstimator
from sklearn import linear_model
from sklearn.model_selection import cross_val_score
class Estimator(BaseEstimator):
    def fit(self,x,y=None):
        print ("inside fit:",x)
        return self
    def transform(self, x):
        print ("inside transform", x)
        return x
    def score(self,x,y):
        return 1
model = Pipeline([("e", Estimator()), ('l', linear_model.Lasso())])
cross_val_score(model, np.arange(15).reshape(3,5), np.arange(3), cv=3)