如何使用 scikit-learn API 实现元估计器？

Posted 2023-03-12

【中文标题】如何使用 scikit-learn API 实现元估计器？

【英文标题】：How to implement a meta-estimator with the scikit-learn API?

【发布时间】：2020-03-07 07:32:59

【问题描述】：

我想实现一个与所有 scikit-learn 兼容的简单包装器/元估计器。很难找到我到底需要什么的完整描述。

目标是有一个回归器，它也学习一个阈值来成为一个分类器。所以我想出了：

from sklearn.base import BaseEstimator, ClassifierMixin, clone

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        # threshold_ does not get initialized in __init__ ??

    def fit(self, X, y, optimal_threshold):
        self.regressor = clone(self.regressor)    # is this required my sklearn??
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        self.threshold_ = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y

这是否实现了我需要的完整 API？

我的主要问题是把threshold 放在哪里。我希望它只学习一次，并且可以在后续 .fit 调用中重新使用新数据而无需重新调整。但是对于当前版本，必须在每次调用 .fit 时重新调整它——我不希望这样吗？

另一方面，如果我将其设为固定参数self.threshold 并将其传递给__init__，那么我不应该用数据更改它吗？

我怎样才能创建一个threshold 参数，该参数可以在.fit 的一次调用中调整并在后续.fit 调用中修复？

【问题讨论】：

请问多次fit 电话的原因是什么？这是某种在线学习吗？还是由于交叉验证？还是别的什么？

@ShihabShahriarKhan 只有一个与特定数据集合（以及存储在最佳阈值中的特定测试数据）的拟合才能确定阈值。从那时起，我希望不再调整阈值，而只调整我的数据折叠的回归量。

我可能误解了一些东西...如果您在init中将threshold_初始化为None，并检查它的值是否设置在fit中，它不会工作吗？有点类似于warm_startparam

很难说它是否有效，因为 sklearn 有一定的 API 和函数，如 clone 和其他元估计器在幕后做了某种魔术。这就是为什么我想知道使用 sklearn 的正确方法。

为什么不在构造函数中初始化 self.threshold = None 而不是 if 语句 - if self.threshold is not None: self.threshold = optimal_threshold(y_raw)？虽然我认为更好的方法是在 fit 方法中添加一个布尔值，指示是否更新阈值

【参考方案1】：

I actually wrote a blog post about this the other day。我假设您正在尝试构建类似于 TransformedTargetRegressor 的东西，我建议您查看其源代码以构建类似的东西。

您当前的实现似乎是正确的。就这个问题而言：

如何制作一个阈值参数，该参数可以在一次调用 .fit 中进行调整，并为后续的.fit 调用进行修复？

我不建议这样做，因为 scikit-learn 的 API 是基于 fit 方法重新拟合模型的所有可调方面。您可以在此处使用两条路线，将**kwarg 添加到明确保护theshold 不更新的匹配项，或者您可以使用@rotem-tal suggested。如果你选择后者，它可能看起来像这样：

import numpy as np
from sklearn.base import BaseEstimator, ClassifierMixin

def optimal_threshold(y_raw: np.ndarray) -> np.ndarray:
    return np.array([0.1, 0.5, 1])  # some implementation here

class Thresholder(BaseEstimator, ClassifierMixin):
    def __init__(self, regressor):
        self.regressor = regressor
        self.threshold = None

    def fit(self, X, y, optimal_threshold):
        # you don't need to clone the regressor
        self.regressor.fit(X, y)

        y_raw = self.regressor.predict()
        if self.threshold is None:
            self.threshold = optimal_threshold(y_raw)

    def predict(self, X):
        y_raw = self.regressor.predict(X)

        y = np.digitize(y_raw, [self.threshold_])

        return y

【讨论】：

您需要遵循 sklearn API 否则将无法正常工作。我只是不知道 sklearn 的意图。您的版本将不起作用，因为clone 不会复制.threshold 属性。但是，cross_validate 使用 clone 。因此cross_validate 无法使用我的固定阈值！？

不确定您的意思，正如我在帖子中提到的那样，您尝试做的事情是非标准的，并且可能无法与生态系统的其他部分（管道等）很好地集成，但是这绝对是可能的。

我正在尝试找到一种方法来制作满足标准的估算器。并非所有不在 sklearn 中的东西都会自动成为非标准。

就编程接口而言，以上将符合 API 标准，试一试。不过，“从概念上讲”，它不符合标准，因为在调用 fit 时阈值不会更新。

如果不支持sklearn的关键功能，则不符合API标准。制作具有相似名称的函数不足以遵循 API，因为这个概念也必须得到满足。此版本的代码不适用于具有固定阈值的cross_validate。我试了一下，由于解释的原因，它只是不起作用。 cross_validate 将为每个折叠重新设置阈值。