GridSearch для лучшей модели: сохранить и загрузить параметры - PullRequest
Новая
       9

GridSearch для лучшей модели: сохранить и загрузить параметры

0 голосов
/ 15 января 2019

Мне нравится запускать следующий рабочий процесс:

  1. Выбор модели для векторизации текста
  2. Определение списка параметров
  3. Применение конвейера с GridSearchCV к параметрам, используя LogisticRegression () в качестве базовой линии для поиска лучших параметров модели
  4. Сохранить лучшую модель (параметры)
  5. Загрузите лучшие параметры модели, чтобы мы могли применить ряд других классификаторов к этой определенной модели.

Вот код, который вы можете воспроизвести:

GridSearch: 

%%time
import numpy as np
import pandas as pd
from sklearn.externals import joblib
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from gensim.utils import simple_preprocess
np.random.seed(0)

data = pd.read_csv('https://pastebin.com/raw/dqKFZ12m')
X_train, X_test, y_train, y_test = train_test_split([simple_preprocess(doc) for doc in data.text],
                                                    data.label, random_state=0)

# Find best Tfidf model using LR
pipeline = Pipeline([
  ('tfidf', TfidfVectorizer(preprocessor=' '.join, tokenizer=None)),
  ('clf', LogisticRegression())
  ])

parameters = {
              'tfidf__max_df': [0.25, 0.5, 0.75, 1.0],
              'tfidf__smooth_idf': (True, False),
              'tfidf__norm': ('l1', 'l2', None),
              }

grid = GridSearchCV(pipeline, parameters, cv=2, verbose=1)
grid.fit(X_train, y_train)

print(grid.best_params_)

# Save model
#joblib.dump(grid.best_estimator_, 'best_tfidf.pkl', compress = 1) # this unfortunately includes the LogReg
joblib.dump(grid.best_params_, 'best_tfidf.pkl', compress = 1) # Only best parameters

Подгонка 2 сгибов для каждого из 24 кандидатов, всего 48 подгонок {'tfidf__smooth_idf': True, 'tfidf__norm': 'l2', 'tfidf__max_df': 0.25}

Загрузить модель с лучшими параметрами: 

from sklearn.model_selection import GridSearchCV

# Load best parameters
tfidf_params = joblib.load('best_tfidf.pkl')

pipeline = Pipeline([
  ('vec', TfidfVectorizer(preprocessor=' '.join, tokenizer=None).set_params(**tfidf_params)), # here is the issue?
  ('clf', LogisticRegression())
  ])

cval = cross_val_score(pipeline, X_train, y_train, scoring='accuracy', cv=5)
print("Cross-Validation Score: %s" % (np.mean(cval)))

ValueError: Неверный параметр tfidf для оценщика TfidfVectorizer (analyzer = 'word', binary = False, decode_error = 'strict', dtype =, encoding = 'utf-8', input = 'content', нижний регистр = True, max_df = 1,0, max_features = нет, min_df = 1, ngram_range = (1, 1), norm = 'l2', препроцессор =, smooth_idf = True, stop_words = Нет, strip_accents = Нет, sublinear_tf = False, token_pattern = '(? u) \ b \ w \ w + \ b', tokenizer = Нет, use_idf = True, словарь = Нет). Проверьте список доступных параметров с помощью estimator.get_params().keys().

Вопрос:

Как загрузить лучшие параметры модели Tfidf?

1 Ответ

0 голосов
/ 15 января 2019

Эта строка: 

joblib.dump(grid.best_params_, 'best_tfidf.pkl', compress = 1) # Only best parameters

сохраняет параметры pipeline, а не TfidfVectorizer.Так что сделайте это: 

pipeline = Pipeline([
  # Change the name to be same as before
  ('tfidf', TfidfVectorizer(preprocessor=' '.join, tokenizer=None)),
  ('clf', LogisticRegression())
  ])

pipeline.set_params(**tfidf_params)
...