Question

在ngram模型（字符ngram或单词袋）中，我们需要确保测试数据的词汇表不用于拟合或训练模型。

这是sklearn的TfidfVectorizer函数对两个函数（拟合和变换）所做的工作。

所以，如果我有sklearn管道模型：

model = Pipeline([
        ('tfidf', TfidfVectorizer()),
        ('svc', SVC())
    ])

然后将其传递给交叉验证功能：

cv = cross_val_score(model, data['text'], data['label'], cv=5, scoring='accuracy', n_jobs=-1)

cross_val_score是否在每次折叠中都遵循场景（适合训练。然后，适合测试）？

还是刚开始（一次折叠）就适合模型？

Answer 1

是的，每个cv步骤都运行管道，因此对于cv的每个步骤，tfidf拟合仅针对火车折叠进行，对测试和测试折叠进行转换

from sklearn.pipeline import Pipeline
from sklearn.base import BaseEstimator
from sklearn import linear_model
from sklearn.model_selection import cross_val_score
class Estimator(BaseEstimator):
    def fit(self,x,y=None):
        print ("inside fit:",x)
        return self
    def transform(self, x):
        print ("inside transform", x)
        return x
    def score(self,x,y):
        return 1
model = Pipeline([("e", Estimator()), ('l', linear_model.Lasso())])
cross_val_score(model, np.arange(15).reshape(3,5), np.arange(3), cv=3)

具有交叉验证的ngrams文本模型

1 个答案: