Question

我的目标是使用一个模型来选择最重要的变量，使用另一个模型来使用这些变量进行预测。在下面的示例中，我使用两个RandomForestClassifiers，但第二个模型可以是任何其他分类器。

RF具有带阈值参数的变换方法。我想网格搜索不同的可能阈值参数。

以下是简化的代码段：

# Transform object and classifier
rf_filter = RandomForestClassifier(n_estimators=200, n_jobs=-1, random_state=42, oob_score=False)
clf = RandomForestClassifier(n_jobs=-1, random_state=42, oob_score=False)

pipe = Pipeline([("RFF", rf_filter), ("RF", clf)])

# Grid search parameters
rf_n_estimators = [10, 20]
rff_transform = ["median", "mean"] # Search the threshold parameters

estimator = GridSearchCV(pipe,
                         cv = 3, 
                         param_grid = dict(RF__n_estimators = rf_n_estimators,
                                           RFF__threshold = rff_transform))

estimator.fit(X_train, y_train)

错误为ValueError: Invalid parameter threshold for estimator RandomForestClassifier

我认为这会有效，因为the docs说：

如果为None且可用，则使用对象属性阈值。

我尝试在网格搜索（rf_filter.threshold = "median"）之前设置阈值属性并且它有效;但是，我无法弄清楚如何对其进行网格搜索。

有没有办法迭代通常预期在分类器的transform方法中提供的不同参数？

Answer 1

按照您描述的相同方法，即使用分组为管道的两个不同的随机森林分类器进行特征选择和分类，我遇到了同样的问题。

RandomForestClassifier 类的实例没有名为 threshold 的属性。您确实可以使用您描述的方式或使用

手动添加一个

setattr(object, 'threshold', 'mean')

但主要问题似乎是 get_params 方法检查BaseEstimator任何成员的有效属性的方式：

class BaseEstimator(object):
"""Base class for all estimators in scikit-learn

Notes
-----
All estimators should specify all the parameters that can be set
at the class level in their __init__ as explicit keyword
arguments (no *args, **kwargs).
"""

@classmethod
def _get_param_names(cls):
    """Get parameter names for the estimator"""
    try:
        # fetch the constructor or the original constructor before
        # deprecation wrapping if any
        init = getattr(cls.__init__, 'deprecated_original', cls.__init__)

        # introspect the constructor arguments to find the model parameters
        # to represent
        args, varargs, kw, default = inspect.getargspec(init)
        if not varargs is None:
            raise RuntimeError("scikit-learn estimators should always "
                               "specify their parameters in the signature"
                               " of their __init__ (no varargs)."
                               " %s doesn't follow this convention."
                               % (cls, ))
        # Remove 'self'
        # XXX: This is going to fail if the init is a staticmethod, but
        # who would do this?
        args.pop(0)
    except TypeError:
        # No explicit __init__
        args = []
    args.sort()
    return args

实际上，如明确规定的那样，所有估算器都应指定可以设置的所有参数在 __ init __ 的类级别作为显式关键字参数。

所以我尝试在 __ init __ 函数中指定 threshold 作为参数，默认值为'mean'（无论如何，它是当前实现中的默认值）

    def __init__(self,
             n_estimators=10,
             criterion="gini",
             max_depth=None,
             min_samples_split=2,
             min_samples_leaf=1,
             max_features="auto",
             bootstrap=True,
             oob_score=False,
             n_jobs=1,
             random_state=None,
             verbose=0,
             min_density=None,
             compute_importances=None,
             threshold="mean"): # ADD THIS!

然后将此参数的值赋给类的参数。

    self.threshold = threshold # ADD THIS LINE SOMEWHERE IN THE FUNCTION __INIT__

当然，这意味着修改类 RandomForestClassifier （在/python2.7/site-packages/sklearn/ensemble/forest.py中），这可能不是最好的方法......但它适合我！我现在能够在不同的阈值参数上进行网格搜索（并交叉验证），从而选择不同数量的特征。

Answer 2

class my_rf_filter(BaseEstimator, TransformerMixin):
def __init__(self,threshold):
    self.threshold = threshold

def fit(self,X,y):
    model = RandomForestClassifier(n_estimators=100, n_jobs=-1, random_state=42, oob_score=False)
    model.fit(X,y)
    self.model = model
    return self

def transform(self,X):
    return self.model.transform(X,self.threshold)

通过将RandomForestClassifier包装在一个新类中，它将起作用。

rf_filter = my_rf_filter(threshold='mean')
clf = RandomForestClassifier(n_jobs=-1, random_state=42, oob_score=False)

pipe = Pipeline([("RFF", rf_filter), ("RF", clf)])

# Grid search parameters
rf_n_estimators = [10, 20]
rff_transform = ["median", "mean"] # Search the threshold parameters

estimator = GridSearchCV(pipe,
                         cv = 3, 
                         param_grid = dict(RF__n_estimators = rf_n_estimators,
                                           RFF__threshold = rff_transform))

测试示例：

from sklearn import datasets
digits = datasets.load_digits()
X_digits = digits.data
y_digits = digits.target

estimator.fit(X_digits, y_digits)


Out[143]:
GridSearchCV(cv=3,
       estimator=Pipeline(steps=[('RFF', my_rf_filter(threshold='mean')), ('RF', RandomForestClassifier(bootstrap=True, compute_importances=None,
            criterion='gini', max_depth=None, max_features='auto',
            max_leaf_nodes=None, min_density=None, min_samples_leaf=1,
            min_samples_split=2, n_estimators=10, n_jobs=-1,
            oob_score=False, random_state=42, verbose=0))]),
       fit_params={}, iid=True, loss_func=None, n_jobs=1,
       param_grid={'RF__n_estimators': [10, 20], 'RFF__threshold': ['median', 'mean']},
       pre_dispatch='2*n_jobs', refit=True, score_func=None, scoring=None,
       verbose=0)


estimator.grid_scores_

Out[144]:
[mean: 0.89705, std: 0.00912, params: {'RF__n_estimators': 10, 'RFF__threshold': 'median'},
 mean: 0.91597, std: 0.00871, params: {'RF__n_estimators': 20, 'RFF__threshold': 'median'},
 mean: 0.89705, std: 0.00912, params: {'RF__n_estimators': 10, 'RFF__threshold': 'mean'},
 mean: 0.91597, std: 0.00871, params: {'RF__n_estimators': 20, 'RFF__threshold': 'mean'}]

如果您需要修改RandomForestClassifier课程中my_rf_filter的参数，我认为您需要明确添加它们，即不要在**kwargs中使用__init__()和model.set_paras(**kwargs)，因为我没有这样做。我认为将n_estimators=200添加到__init__()，然后model.n_estimators = self.n_estimators就可以了。

Answer 3

您可以通过以下黑客来避免大部分额外编码。

首先捕获估算器的变量引用。（在这种情况下为“estimator”）您可以在调试期间查找实际引用的超参数名称。

对于上述问题

pipe = Pipeline([("RFF", rf_filter), ("RF", clf)])
...

param_grid = {"clf__estimator__n_estimators": [10, 20],

}

estimator = GridSearchCV(pipe,
                         cv = 3, 
                         param_grid )

只需将超参数即max_features更改为clf__estimator__max_features

如何在scikit-learn中对管道内的转换参数进行gridsearch

3 个答案: