2

我正在使用 scikit-learn 并正在构建管道。构建管道后，我将使用 GridSearchCV 来查找最佳模型。我正在处理文本数据，所以我正在尝试不同的词干分析器。我创建了一个名为 Preprocessor 的类，它接受一个词干分析器和向量化器类，然后尝试覆盖向量化器的方法 build_analyzer 以合并给定的词干分析器。但是，我看到 GridSearchCV 的 set_params 只是直接访问实例变量——即它不会用新的分析器重新实例化矢量化器，就像我一直在做的那样：

class Preprocessor(object):
    # hard code the stopwords for now
    stopwords = nltk.corpus.stopwords.words()

    def __init__(self, stemmer_cls, vectorizer_cls):
        self.stemmer = stemmer_cls()
        analyzer = self._build_analyzer(self.stemmer, vectorizer_cls)
        self.vectorizer = vectorizer_cls(stopwords=stopwords,
                                         analyzer=analyzer,
                                         decode_error='ignore')

    def _build_analyzer(self, stemmer, vectorizer_cls):
        # analyzer tokenizes and lowercases
        analyzer = super(vectorizer_cls, self).build_analyzer()
        return lambda doc: (stemmer.stem(w) for w in analyzer(doc))

    def fit(self, **kwargs):
        return self.vectorizer.fit(kwargs)

    def transform(self, **kwargs):
        return self.vectorizer.transform(kwargs)

    def fit_transform(self, **kwargs):
        return self.vectorizer.fit_transform(kwargs)

所以问题是：如何为传入的所有矢量化器类覆盖 build_analyzer？

4

1 回答 1

0

是的，GridSearchCV 直接设置实例字段，然后在更改字段的分类器上调用 fit。

scikit-learn 中的每个分类器都是以这种方式构建的，__init__它只设置参数字段，并且进一步工作所需的所有依赖对象（如在您的情况下调用 _build_analyzer）仅在 fit 方法中构建。您必须添加存储 vectorizer_cls 的附加字段，然后您必须在 fit 方法中从 vectorized_cls 和 stemmer_cls 对象构造依赖。

就像是：

class Preprocessor(object):
    # hard code the stopwords for now
    stopwords = nltk.corpus.stopwords.words()

    def __init__(self, stemmer_cls, vectorizer_cls):
        self.stemmer_cls = stemmer_cls
        self.vectorizer_cls = vectorizer_cls

    def _build_analyzer(self, stemmer, vectorizer_cls):
        # analyzer tokenizes and lowercases
        analyzer = super(vectorizer_cls, self).build_analyzer()
        return lambda doc: (stemmer.stem(w) for w in analyzer(doc))

    def fit(self, **kwargs):
        analyzer = self._build_analyzer(self.stemmer_cls(), vectorizer_cls)
        self.vectorizer_cls = vectorizer_cls(stopwords=stopwords,
                                         analyzer=analyzer,
                                         decode_error='ignore')

        return self.vectorizer_cls.fit(kwargs)

    def transform(self, **kwargs):
        return self.vectorizer_cls.transform(kwargs)

    def fit_transform(self, **kwargs):
        return self.vectorizer_cls.fit_transform(kwargs)
于 2015-09-02T07:39:56.443 回答