sklearn中带有数据标签的自定义transformerMixin

Posted

技术标签:

【中文标题】sklearn中带有数据标签的自定义transformerMixin【英文标题】:customized transformerMixin with data labels in sklearn 【发布时间】:2018-09-21 02:09:08 【问题描述】:

我正在做一个小项目,我正在尝试应用 SMOTE“Synthetic Minority Over-sampling Technique”,我的数据不平衡..

我为 SMOTE 函数创建了一个自定义的 transformerMixin ..

class smote(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        print(X.shape, ' ', type(X)) # (57, 28)   <class 'numpy.ndarray'>
        print(len(y), ' ', type)     #    57      <class 'list'>
        smote = SMOTE(kind='regular', n_jobs=-1)
        X, y = smote.fit_sample(X, y)

        return X

    def transform(self, X):
        return X

model = Pipeline([
        ('posFeat1', featureVECTOR()),
        ('sca1', StandardScaler()),
        ('smote', smote()),
        ('classification', SGDClassifier(loss='hinge', max_iter=1, random_state = 38, tol = None))
    ])
    model.fit(train_df, train_df['label'].values.tolist())
    predicted = model.predict(test_df)

我在 FIT 函数上实现了 SMOTE,因为我不希望它应用于测试数据..

不幸的是,我收到了这个错误:

     model.fit(train_df, train_df['label'].values.tolist())
  File "C:\Python35\lib\site-packages\sklearn\pipeline.py", line 248, in fit
    Xt, fit_params = self._fit(X, y, **fit_params)
  File "C:\Python35\lib\site-packages\sklearn\pipeline.py", line 213, in _fit
    **fit_params_steps[name])
  File "C:\Python35\lib\site-packages\sklearn\externals\joblib\memory.py", line 362, in __call__
    return self.func(*args, **kwargs)
  File "C:\Python35\lib\site-packages\sklearn\pipeline.py", line 581, in _fit_transform_one
    res = transformer.fit_transform(X, y, **fit_params)
  File "C:\Python35\lib\site-packages\sklearn\base.py", line 520, in fit_transform
    return self.fit(X, y, **fit_params).transform(X)
AttributeError: 'numpy.ndarray' object has no attribute 'transform'

【问题讨论】:

【参考方案1】:

fit() mehtod 应该返回 self,而不是转换后的值。如果您只需要训练数据而不是测试的功能,请实现fit_transform() 方法。

class smote(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        print(X.shape, ' ', type(X)) # (57, 28)   <class 'numpy.ndarray'>
        print(len(y), ' ', type)     #    57      <class 'list'>
        self.smote = SMOTE(kind='regular', n_jobs=-1).fit(X, y)

        return self

    def fit_transform(self, X, y=None):
        self.fit(X, y)
        return self.smote.sample(X, y)

    def transform(self, X):
        return X

解释:在训练数据上(即当pipeline.fit()被调用时)管道将首先尝试在内部对象上调用fit_transform()。如果没有找到,那么它将分别调用fit()transform()

在测试数据上,每个内部对象仅调用transform(),因此此处不应更改您提供的测试数据。

更新:上面的代码还是会报错。 您会看到,当您对提供的数据进行过采样时,Xy 中的样本数量都会发生变化。但管道仅适用于X 数据。它不会改变y。因此,如果我更正上述错误,您将收到关于标签不匹配样本的错误。如果偶然生成的样本与之前的样本相等,那么y 的值也不会对应于新的样本。

可行的解决方案:真傻。

您可以使用 Pipeline from the imblearn package 代替 scikit-learn 管道。当在管道上调用fit() 时,它会自动处理re-sample,并且不会重新采样测试数据(当调用transform()predict() 时)。

其实我知道 imblearn.Pipeline 处理sample() 方法,但是当你实现一个自定义类并说测试数据不能改变时被抛出。我没想到这是默认行为。

只需替换

from sklearn.pipeline import Pipeline

from imblearn.pipeline import Pipeline

一切就绪。无需像您那样制作自定义类。只需使用原装 SMOTE。比如:

random_state = 38
model = Pipeline([
        ('posFeat1', featureVECTOR()),
        ('sca1', StandardScaler()),

        # Original SMOTE class
        ('smote', SMOTE(random_state=random_state)),
        ('classification', SGDClassifier(loss='hinge', max_iter=1, random_state=random_state, tol=None))
    ])

【讨论】:

你的意思是:.sample(X, y) ?另外,为什么你没有在 fit_transform 中实现 smote 而不是调用它!? @Minion 当您执行fit_sample() 时,您将两个函数连接在一起,fit()sample()。我已将fit() 部分移至fit() 并仅在fit_transform() 中调用sample()。如果需要,您可以在其中复制整个 fit()。我这样做只是为了代码清晰。 您的代码产生错误:文件“C:\Python35\lib\site-packages\sklearn\utils\validation.py”,第 433 行,在 check_array array = np.array(array, dtype =dtype, order=order, copy=copy) ValueError: could not broadcast input array from shape (81,28) into shape (81) @Minion 请提供您的完整代码和一些产生错误的数据样本。编辑问题以添加详细信息。 @Minion 是的,我收到了错误。我将编辑答案以添加解释。

以上是关于sklearn中带有数据标签的自定义transformerMixin的主要内容,如果未能解决你的问题,请参考以下文章

在 xib 中带有可选 UIImageView 的自定义 UITableViewCell

VueJS 中带有函数的自定义数据对象

Swift 中带有自定义 TableViewCell 的核心数据图像

张量流中带有循环的自定义损失

sklearn中带有词袋和附加情感特征的文本分类器

ios 7 中带有一个组件的自定义 UIPickerView