2

我有一个 sklearn 管道，它使用两种类型的特征进行文本分类：由 CountVectorizer() 和 TfidfTransformer() (TfidfVectorizer()) 生成的标准 tfidf 特征和一些语言特征。我尝试将不同的 ngram 范围传递给 CountVectorizer()，然后使用 GridSearh 找到最佳 n。

这是我的代码：

text_clf = Pipeline([('union', FeatureUnion([
                              ('tfidf', Pipeline([
                                       ('sents', GetItem(key='sent')), 
                                       ('vect', CountVectorizer()),
                                       ('transform', TfidfTransformer())
                               ])),
                              ('LF', Pipeline([
                                     ('features', GetItem(key='features')), 
                                     ('dict_vect', DictVectorizer())
                               ]))],
                               transformer_weights={'LF': 0.6, 'tfidf': 0.8}
                               )),
                              ('clf', SGDClassifier())
                     ])

parameters = [{'union__tfidf__vect__model__ngram_range': ((1, 1), (1, 2), (1, 3), (1, 4)), 
            'clf__alpha': (1e-2, 1e-3, 1e-4, 1e-5), 
            'clf__loss': ('hinge', 'log', 'modified_huber', 'squared_hinge', 'perceptron'), 
            'clf__penalty': ('none', 'l2', 'l1', 'elasticnet'), 
            'clf__n_iter': (3, 4, 5, 6, 7, 8, 9, 10)}]

gs_clf = GridSearchCV(text_clf, parameters, cv=5, n_jobs=-1)
gs_clf = gs_clf.fit(all_data, labels)

（我省略了一些似乎与问题无关的行。）

但它会抛出一个错误：

ValueError: Invalid parameter model for estimator CountVectorizer(analyzer=u'word', binary=False, charset=None,
    charset_error=None, decode_error=u'strict',
    dtype=<type 'numpy.int64'>, encoding=u'utf-8', input=u'content',
    lowercase=True, max_df=1.0, max_features=None, min_df=1,
    ngram_range=(1, 1), preprocessor=None, stop_words=None,
    strip_accents=None, token_pattern=u'(?u)\\b\\w\\w+\\b',
    tokenizer=None, vocabulary=None)

TfidfVectorizer() 也是如此。

如果我将 ngram_range 直接传递给管道中的矢量化器，一切正常： ('vect', CountVectorizer(ngram_range=(1,2)))

谢谢！

4

2 回答 2

2

错误是因为您union__tfidf__vect__model__ngram_range应该在union__tfidf__vect__ngram_range. 请注意它如何将“模型”称为无效参数：

ValueError：参数模型无效

另外，作为说明，我认为使用TfidfVectorizer会简化事情。

于 2015-10-06T15:53:29.253 回答
0

您在 vectr__ tfidf__ clfsvm__ 之间确实有严格的命名关系

pipe_clf_svm = Pipeline([('vectr', CountVectorizer(analyzer=textproc_max, 
                    preprocessor=no_numb_preprocessor, min_df=4)),
                            ('tfidf', tfidfT), 
                                ('clfsvm', clf_svm),])

parameters2 = {'vectr__ngram_range': [(1,1),(1,2),(1,3)],
                  'tfidf__use_idf': (True, False),  #}
                    'clfsvm__alpha': (1e-2, 1e-3),}

这 3 个 vectr__ tfidf__ clfsvm__ 被命名为别名，如 pipe_clf_svm.named_steps['vectr']

于 2018-07-19T21:18:02.800 回答