sklearn.model_selection.GridSearchCV 的 LatentDirichletAllocation 评分策略

Question

我正在尝试使用 sklearn 库在 LatentDirichletAllocation 上应用 GridSearchCV。

当前管道如下所示：

vectorizer = CountVectorizer(analyzer='word',       
                         min_df=10,                      
                         stop_words='english',           
                         lowercase=True,                 
                         token_pattern='[a-zA-Z0-9]{3,}'
                        )

data_vectorized = vectorizer.fit_transform(doc_clean) #where doc_clean is processed text.

lda_model = LatentDirichletAllocation(n_components =number_of_topics,
                                    max_iter=10,            
                                    learning_method='online',   
                                    random_state=100,       
                                    batch_size=128,         
                                    evaluate_every = -1,    
                                    n_jobs = -1,            
                                    )

search_params = {'n_components': [10, 15, 20, 25, 30], 'learning_decay': [.5, .7, .9]}
model = GridSearchCV(lda_model, param_grid=search_params)
model.fit(data_vectorized)

目前 GridSearchCV 使用近似对数似然作为分数来确定哪个是最佳模型。我想做的是将我的评分方法更改为基于模型的 approximate perplexity。

根据 sklearn 的 documentation of GridSearchCV，有一个我可以使用的评分参数。但是，我不知道如何应用困惑度作为评分方法，而且我在网上找不到任何人应用它的例子。这可能吗？

Answer 1

GridSearchCV 默认情况下将使用管道中最终估算器的 score() 函数。

make_scorer 可以在这里使用，但是为了计算困惑度，您还需要来自拟合模型的其他数据，通过 make_scorer.[=19= 提供这些数据可能有点复杂]

您可以在此处对您的 LDA 进行包装，您可以在其中将 score() 函数重新实现为 return perplexity。沿线的东西：

class MyLDAWithPerplexityScorer(LatentDirichletAllocation):

    def score(self, X, y=None):

        # You can change the options passed to perplexity here
        score = super(MyLDAWithPerplexityScorer, self).perplexity(X, sub_sampling=False)

        # Since perplexity is lower for better, so we do negative
        return -1*score

然后可以在您的代码中使用它代替 LatentDirichletAllocation，例如：

...
...
...
lda_model = MyLDAWithPerplexityScorer(n_components =number_of_topics,
                                ....
                                ....   
                                n_jobs = -1,            
                                )
...
...

Answer 2

分数和困惑度参数似乎有问题并且取决于主题的数量。因此，网格中的结果将为您提供最少数量的主题

GitHub issue

sklearn.model_selection.GridSearchCV 的 LatentDirichletAllocation 评分策略

Scoring strategy of sklearn.model_selection.GridSearchCV for LatentDirichletAllocation

python

scikit-learn

nlp

lda

当前管道如下所示：