Question

我构建了一个管道，该管道采用了已被分为类别和数字列的熊猫数据框。我试图在结果上运行GridSearchCV，并最终查看GridSearchCV选择的最佳性能模型的重要性排名。我遇到的问题是sklearn管道输出numpy数组对象，并在此过程中丢失任何列信息。因此，当我去检查模型中最重要的系数时，会留下一个未标记的numpy数组。

我已经读到，构建自定义转换器可能是解决此问题的一种方法，但我本人没有任何这样做的经验。我还研究了利用sklearn-pandas软件包的方法，但是我很犹豫尝试实现一些可能无法与sklearn并行更新的内容。任何人都可以提出他们认为是解决此问题的最佳途径的建议吗？我也欢迎任何涉及熊猫和sklearn管道应用的文献。

我的管道：

# impute and standardize numeric data 
numeric_transformer = Pipeline([
    ('impute', SimpleImputer(missing_values=np.nan, strategy="mean")),
    ('scale', StandardScaler())
])

# impute and encode dummy variables for categorical data
categorical_transformer = Pipeline([
    ('impute', SimpleImputer(missing_values=np.nan, strategy="most_frequent")),
    ('one_hot', OneHotEncoder(sparse=False, handle_unknown='ignore'))
])

preprocessor = ColumnTransformer(transformers=[
    ('num', numeric_transformer, numeric_features),
    ('cat', categorical_transformer, categorical_features)
])

clf = Pipeline([
    ('transform', preprocessor),
    ('ridge', Ridge())
])

交叉验证：

kf = KFold(n_splits=4, shuffle=True, random_state=44)

cross_val_score(clf, X_train, y_train, cv=kf).mean()

网格搜索：

param_grid = {
    'ridge__alpha': [.001, .1, 1.0, 5, 10, 100]
}

gs = GridSearchCV(clf, param_grid, cv = kf)
gs.fit(X_train, y_train)

检查系数：

model = gs.best_estimator_
predictions = model.fit(X_train, y_train).predict(X_test)
model.named_steps['ridge'].coef_

以下是在海洋“ mpg”数据集上执行时当前模型系数的输出：

array([-4.64782052e-01,  1.47805207e+00, -3.28948689e-01, -5.37033173e+00,
        2.80000700e-01,  2.71523808e+00,  6.29170887e-01,  9.51627968e-01,
       ...
       -1.50574860e+00,  1.88477450e+00,  4.57285471e+00, -6.90459868e-01,
        5.49416409e+00])

理想情况下，我想保留pandas数据帧信息，并在调用OneHotEncoder和其他方法后检索派生的列名。

如何从sklearn管道输出Pandas对象

0 个答案: