所有中间步骤都应该是变压器并实施拟合和变换

Question

我正在实施一个使用重要特征选择的管道，然后使用相同的特征来训练我的随机森林分类器。以下是我的代码。

m = ExtraTreesClassifier(n_estimators = 10)
m.fit(train_cv_x,train_cv_y)
sel = SelectFromModel(m, prefit=True)
X_new = sel.transform(train_cv_x)
clf = RandomForestClassifier(5000)

model = Pipeline([('m', m),('sel', sel),('X_new', X_new),('clf', clf),])
params = {'clf__max_features': ['auto', 'sqrt', 'log2']}

gs = GridSearchCV(model, params)
gs.fit(train_cv_x,train_cv_y)

因此 X_new 是通过 SelectFromModel 和 sel.transform 选择的新功能。然后我想使用所选的新功能来训练我的 RF。

我收到以下错误：

All intermediate steps should be transformers and implement fit and transform, ExtraTreesClassifier ...

Answer 1

就像回溯所说：管道中的每个步骤都需要有一个 fit() 和 transform() 方法（除了最后一个，它只需要 fit()）。这是因为一个管道将每一步的数据转换链接在一起。

sel.transform(train_cv_x) 不是估算器，不符合此标准。

事实上，根据您要执行的操作，您可以省略此步骤。在内部，('sel', sel) 已经进行了这种转换——这就是它包含在管道中的原因。

其次，ExtraTreesClassifier（管道中的第一步）也没有 transform() 方法。您可以在 class 文档字符串中验证 here。监督学习模型不是为转换数据而设计的；它们是为适应它而设计的，并以此为基础进行预测。

什么类型的 classes 能够进行转换？

缩放您的数据的那些。参见 preprocessing and normalization。
转换您的数据（以上述方式之外的其他方式）。 Decomposition 和其他无监督学习方法就是这样做的。

无需过多了解您在这里尝试做的事情，这对您有用：

首先使用 train_test_split 拆分 x 和 y。由此产生的测试数据集用于最终测试，GridSearchCV 交叉验证中的训练数据集将进一步分解为更小的训练集和验证集。
构建满足回溯试图告诉您的内容的管道。
将该管道传递给 GridSearchCV，.fit() 在 X_train/y_train 上进行网格搜索，然后 .score() 在 X_test/y_test 上进行搜索。

大致看起来像这样：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.33, random_state=444)

sel = SelectFromModel(ExtraTreesClassifier(n_estimators=10, random_state=444), 
                      threshold='mean')
clf = RandomForestClassifier(n_estimators=5000, random_state=444)

model = Pipeline([('sel', sel), ('clf', clf)])
params = {'clf__max_features': ['auto', 'sqrt', 'log2']}

gs = GridSearchCV(model, params)
gs.fit(X_train, y_train)

# How well do your hyperparameter optimizations generalize
# to unseen test data?
gs.score(X_test, y_test)

进一步阅读的两个例子：

Answer 2

发生这种情况是因为您在管道中传递的第一个转换器必须同时具有 fit 和 transform 方法。

m = ExtraTreesClassifier(n_estimators = 10)
m.fit(train_cv_x,train_cv_y)

这里 m 没有转换方法，因为 ExtraTreesClassifier 模型没有转换方法，因此在管道中失败。

所以改变流水线的顺序，为流水线的第一步添加另一个转换器

所有中间步骤都应该是变压器并实施拟合和变换

All intermediate steps should be transformers and implement fit and transform

python

machine-learning

feature-selection

scikit-learn