Question

我想对文本数据执行群集。为了找到最佳的文本预处理参数，我创建了管道并将其放在GridSearchCV中：

text_clf = Pipeline([('vect1', CountVectorizer(analyzer = "word"),
                   ('myfun', MyLemmanization(lemmatize=True,
                                           leave_other_words = True)),
                   ('vect2', CountVectorizer(analyzer = "word",
                                          max_df=0.95, min_df=2,
                                          max_features=2000)),
                   ('tfidf', TfidfTransformer()),
                   ('clust',   KMeans(n_clusters=10, init='k-means++',
                                      max_iter=100, n_init=1, verbose=1))])
parameters = {'myfun__lemmatize': (True, False),
              'myfun__leave_other_words': (True, False)}
gs_clf = GridSearchCV(text_clf, parameters, n_jobs=1, scoring=score)
gs_clf = gs_clf.fit(text_data)

其中score

score = make_scorer(my_f1, greater_is_better=True)

和my_f1具有以下形式：

def my_f1(labels_true, labels_pred):
    #fansy stuff goes here

并且specially专为群集而设计

所以我的问题是：如何做到这一点？如何通过labels_pred，作为一个kmeans性质，我只能做

gs_clf.fit(data)

在分类时可能有：

gs_clf.fit(data, labels_true)

我知道我可以编写自定义函数，就像我使用MyLemmanization编写的那样：

class MyLemmanization(BaseEstimator, TransformerMixin):

def __init__(self,  lemmatize=True, leave_other_words=True):
    #some code here

def do_something_to(self, X):
    # some code here
    return articles

def transform(self, X, y=None):
    return self.do_something_to(X)  # where the actual feature extraction happens

def fit(self, X, y=None):
    return self  # generally does nothing

但是如何以及必须对KMeans或其他聚类算法做些什么？

Answer 1

您可以创建一个自定义的K-means，使用标记的数据构建初始质心，然后让K-means发挥作用。

您可能还想尝试k-NN，即使这是另一种方法。

更重要的是，您有一个概念上的问题。您说使用集群的原因之一是因为它可能找到以前未知的主题，但是您也说要通过与已知标签进行比较来评估性能。但是，您不能真正拥有两者。

与GridSearchCV scikit-learn合作的KMeans

1 个答案: