具有交叉验证的 ngrams 文本模型
Posted
技术标签:
【中文标题】具有交叉验证的 ngrams 文本模型【英文标题】:ngrams text model with cross validation 【发布时间】:2019-07-30 09:49:19 【问题描述】:在 ngram 模型(字符 ngram 或词袋)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。
这就是 sklearn TfidfVectorizer 函数对两个函数(拟合和变换)所做的事情。
所以,如果我有一个 sklearn 管道模型:
model = Pipeline([
('tfidf', TfidfVectorizer()),
('svc', SVC())
])
然后我将它传递给交叉验证函数:
cv = cross_val_score(model, data['text'], data['label'], cv=5, scoring='accuracy', n_jobs=-1)
cross_val_score 是否在每个折叠中都遵循场景(适合训练..然后转换测试)?
或者它只是在一开始就适合模型一次(第一次折叠)?
【问题讨论】:
【参考方案1】:是的,每个 cv 步骤都会运行管道,因此对于 cv 的每个步骤,tfidf 拟合仅用于训练折叠和转换以进行测试和测试折叠
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)
【讨论】:
以上是关于具有交叉验证的 ngrams 文本模型的主要内容,如果未能解决你的问题,请参考以下文章