Question

我想创建自己的小神经网络估算器。我正在尝试遵循here提到的惯例，但我有一些问题。

假设我的课程类似于

目前，我希望用户指定url(r'^save_release/$', views.save_release, name='save_release'), url(r'^unsave_release/$', views.unsave_release, name='unsave_release'),和num_layers。

n_epochs

我是否正确理解我应该不在class NN(BaseEstimator, ClassifierMixin): def __init__(self, num_layers=[10, 5], n_epochs=10): self.num_layers = num_layers self.n_epochs = n_epochs中设置网络架构？我有相当多的代码可以做到这一点，它真的应该放在__init__()吗？我认为这段代码的自然位置在fit() ...

我还想澄清变量名末尾的强调。我认为，例如，应该强调每一层中的权重，但是那些没有真正估算任何东西的额外辅助变量呢？ scikit是否真的关心下划线，或者这纯粹是一个可读性约定？

另外，如果我没有提供__init__()功能，但我确实提供了score()，那么如何计算分数？

Answer 1

也许你应该在scikit-learn邮件列表上询问这些具体问题，但我会尽力帮助：

1）您可以在BaseEstimator类（base.py）中阅读注释：

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`` or ``**kwargs``).

我还可以补充一点，GridSearch / BaseSearch以这样的方式工作，它直接在初始化模型上用set_params设置参数，然后在每个估算器上调用fit（）。这就是为什么你应该将每个依赖（从构造函数参数）变量初始化从__init__移动到fit的原因。您从__init__参数初始化的所有字段都应该与该参数完全相同，否则get_params BaseEstimator方法将返回None而不是字段的正确值：

from sklearn import base

class Foo(base.BaseEstimator):
    def __init__(self, parameter_a, parameter_b, parameter_c):
        # Correct naming of internal fields
        self.parameter_a = parameter_a
        self.parameter_b = parameter_b
        # Incorrect naming of internal fields
        self.parameter_c_incorrect = parameter_c
p = Foo(1, 2, 3)
print(p.get_params())
# prints {'parameter_c': None, 'parameter_a': 1, 'parameter_b': 2}

我的这种情况下克隆也会返回错误的结果。 Related question.

2）我认为这纯粹是传统的，你可以阅读pep8。

3）ClassifierMixin，RegressorMixin等这些mixin是一些类，您可以将它们添加到类中以获得其他功能，但是它们本身无法执行任何操作（您无法实例化它们）。在base.py中查看它们的实现。

关于滚动自己的scikit-learn估算器的一些建议和指导？

1 个答案: