Чередуйте разные модели в Pipeline для GridSearchCV

Question

Я хочу построить конвейер в sklearn и протестировать различные модели с помощью GridSearchCV.

Просто пример (не обращайте внимания на то, какие именно модели выбраны):

reg = LogisticRegression()

proj1 = PCA(n_components=2)
proj2 = MDS()
proj3 = TSNE()

pipe = [('proj', proj1), ('reg' , reg)]

pipe = Pipeline(pipe)

param_grid = {
    'reg__c': [0.01, 0.1, 1],
}

clf = GridSearchCV(pipe, param_grid = param_grid)

Здесь, если я хочу попробовать разные модели для уменьшения размерности, мне нужно кодировать разные конвейеры и сравнивать их вручную. Есть ли простой способ сделать это?

Одно решение, которое я придумал, - это определить мой собственный класс, полученный из базовой оценки:

class Projection(BaseEstimator):
    def __init__(self, est_name):
        if est_name == "MDS":
            self.model = MDS()
        ...
    ...
    def fit_transform(self, X):
        return self.model.fit_transform(X)

Я думаю, что это сработает, я просто создаю объект Projection и передаю его в Pipeline, используя имена оценщиков в качестве параметров для него.

Но для меня этот способ немного хаотичен и не масштабируем: он заставляет меня определять новый класс каждый раз, когда я хочу сравнить разные модели. Также, чтобы продолжить это решение, можно реализовать класс, который выполняет ту же работу, но с произвольным набором моделей. Это кажется мне слишком сложным.

Какой самый естественный и питонный способ сравнения разных моделей?

Answer 1

Альтернативное решение, которое не требует префикса имен оценщиков в сетке параметров, следующее:

from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression

# the models that you want to compare
models = {
    'RandomForestClassifier': RandomForestClassifier(),
    'KNeighboursClassifier': KNeighborsClassifier(),
    'LogisticRegression': LogisticRegression()
}

# the optimisation parameters for each of the above models
params = {
    'RandomForestClassifier':{ 
            "n_estimators"      : [100, 200, 500, 1000],
            "max_features"      : ["auto", "sqrt", "log2"],
            "bootstrap": [True],
            "criterion": ['gini', 'entropy'],
            "oob_score": [True, False]
            },
    'KNeighboursClassifier': {
        'n_neighbors': np.arange(3, 15),
        'weights': ['uniform', 'distance'],
        'algorithm': ['ball_tree', 'kd_tree', 'brute']
        },
    'LogisticRegression': {
        'solver': ['newton-cg', 'sag', 'lbfgs'],
        'multi_class': ['ovr', 'multinomial']
        }  
}

и вы можете определить:

from sklearn.model_selection import GridSearchCV

def fit(train_features, train_actuals):
        """
        fits the list of models to the training data, thereby obtaining in each 
        case an evaluation score after GridSearchCV cross-validation
        """
        for name in models.keys():
            est = models[name]
            est_params = params[name]
            gscv = GridSearchCV(estimator=est, param_grid=est_params, cv=5)
            gscv.fit(train_actuals, train_features)
            print("best parameters are: {}".format(gscv.best_estimator_))

в основном работает через различные модели, каждая модель ссылается на свой собственный набор параметров оптимизации через словарь. Конечно, не забудьте передать модель и словарь параметров в функцию fit, если у вас их нет в качестве глобальных переменных. Посмотрите на этот проект GitHub для более полного обзора.

Answer 2

Предположим, что вы хотите использовать PCA и TruncatedSVD в качестве шага уменьшения димерности.

pca = decomposition.PCA()
svd = decomposition.TruncatedSVD()
svm = SVC()
n_components = [20, 40, 64]

Вы можете сделать это:

pipe = Pipeline(steps=[('reduction', pca), ('svm', svm)])

# Change params_grid -> Instead of dict, make it a list of dict
# In the first element, pass parameters related to pca, and in second related to svd

params_grid = [{
'svm__C': [1, 10, 100, 1000],
'svm__kernel': ['linear', 'rbf'],
'svm__gamma': [0.001, 0.0001],
'reduction':pca,
'reduction__n_components': n_components,
},
{
'svm__C': [1, 10, 100, 1000],
'svm__kernel': ['linear', 'rbf'],
'svm__gamma': [0.001, 0.0001],
'reduction':svd,
'reduction__n_components': n_components,
'reduction__algorithm':['randomized']
}]

и теперь просто передайте объект конвейера в gridsearchCV

grd = GridSearchCV(pipe, param_grid = params_grid)

Вызов grd.fit() будет искать параметры по обоим элементам списка params_grid, используя все значения из one одновременно.

Пожалуйста, посмотрите на мой другой ответ для более подробной информации: "Параллельный" конвейер, чтобы получить лучшую модель с использованием gridsearch