具有交叉验证的 ngrams 文本模型

Question

在 ngram 模型（字符 ngram 或词袋）中，我们需要确保测试数据的词汇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，在测试中转换）？

还是一开始只适合模型一次（第一次折叠）？

Answer 1

是的，每个 cv 步骤的流水线都是运行，因此对于 cv 的每个步骤，tfidf 拟合仅针对训练折叠和转换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)

具有交叉验证的 ngrams 文本模型

ngrams text model with cross validation

python

scikit-learn

cross-validation