AttributeError: 'Pipeline' object has no attribute 'partial_fit'

Question

我正尝试在大量数据上训练我的二元分类器。以前，我可以通过使用 sklearn 的 fit 方法来完成训练。但是现在，我有更多的数据，我无法应付它们。我正在尝试部分安装它们，但无法消除错误。我如何增量训练我的海量数据？通过应用我以前的方法，我得到了关于管道对象的错误。我已经完成了 Incremental Learning 中的示例，但仍然运行这些代码示例会出错。我将不胜感激任何帮助。

X,y = transform_to_dataset(training_data)

clf = Pipeline([
    ('vectorizer', DictVectorizer()),
    ('classifier', LogisticRegression())])

length=len(X)/2

clf.partial_fit(X[:length],y[:length],classes=np.array([0,1]))

clf.partial_fit(X[length:],y[length:],classes=np.array([0,1]))

错误

AttributeError: 'Pipeline' object has no attribute 'partial_fit'

正在尝试给定的代码示例：

clf=SGDClassifier(alpha=.0001, loss='log', penalty='l2', n_jobs=-1,
                      #shuffle=True, n_iter=10, 
                      verbose=1)
length=len(X)/2

clf.partial_fit(X[:length],y[:length],classes=np.array([0,1]))

clf.partial_fit(X[length:],y[length:],classes=np.array([0,1]))

错误

File "/home/kntgu/anaconda2/lib/python2.7/site-packages/sklearn/utils/validation.py", line 573, in check_X_y
ensure_min_features, warn_on_dtype, estimator)
File "/home/kntgu/anaconda2/lib/python2.7/site-packages/sklearn/utils/validation.py", line 433, in check_array
array = np.array(array, dtype=dtype, order=order, copy=copy)
TypeError: float() argument must be a string or a number

我的数据集由一些带有词性标签和依存关系的句子组成。

Thanks  NN  0   root
to  IN  3   case
all DT  1   nmod
who WP  5   nsubj
volunteered VBD 3   acl:relcl
.   .   1   punct

You PRP 3   nsubj
will    MD  3   aux
remain  VB  0   root
as  IN  5   case
alternates  NNS 3   obl
.   .   3   punct

Answer 1

来自 scikit-learn 的 Pipeline 对象没有 partial_fit，如 the docs.

中所示

这样做的原因是您可以向该 Pipeline 对象添加任何您想要的估算器，但并非所有估算器都实现了 partial_fit。 Here is a list of the supported estimators.

如您所见，使用 SGDClassifier（没有 Pipeline），您不会得到此 "no attribute" 错误，因为支持此特定估计器。您收到的此错误消息可能是由于文本数据引起的。您可以使用 LabelEncoder 来处理非数字列。

Answer 2

我遇到了与 SGDClassifier 内部管道不支持增量学习（即 partial_fit 参数）相同的问题。有一种方法可以使用 sklearn 进行增量学习，但它不是 partial_fit，而是 warm_start。 sklearn中有两个算法LogisticRegression和RandomForest支持warm_start.

热启动是另一种方式 incremental_learning。阅读 here

Answer 3

pipeline 没有属性 partial_fit 因为有很多模型没有 partial_fit 可以分配给 pipeline。我的解决方案是制作字典而不是管道并将其保存为 joblib。

from sklearn.feature_extraction.text import CountVectorizer
count_vect = CountVectorizer()

from sklearn.feature_extraction.text import TfidfTransformer
tfidf_transformer = TfidfTransformer()

from sklearn.linear_model import SGDClassifier
model=SGDClassifier(loss='hinge', penalty='l2',alpha=1e-3, random_state=42)

tosave={
    "model":model,
    "count":count_vect,
    "tfid":tfidf_transformer,
}

import joblib
filename = 'package.sav'
joblib.dump(tosave, filename)

然后使用

import joblib
filename = 'package.sav'
pack=joblib.load(filename)

pack['model'].partial_fit(X,Y)

AttributeError: 'Pipeline' object has no attribute 'partial_fit'

AttributeError: 'Pipeline' object has no attribute 'partial_fit'

python

machine-learning

scikit-learn

dictvectorizer