构建用于训练 doc2vec 嵌入的学习曲线
Build a learning curve for training a doc2vec embedding
我正在尝试优化训练嵌入的时期数。有没有办法为这个过程生成学习曲线。
例如,我可以为常规监督分类创建学习曲线。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.model_selection import StratifiedShuffleSplit
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=None, train_sizes=np.linspace(.1, 1.0, 5)):
plt.figure()
plt.title(title)
if ylim is not None:
plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
train_sizes, train_scores, test_scores = learning_curve(
estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
plt.grid()
plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
train_scores_mean + train_scores_std, alpha=0.1,
color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
label="Cross-validation score")
plt.legend(loc="best")
return plt
title = "Learning Curves (SGDClassifier)"
cv = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)
estimator = SGDClassifier()
plot_learning_curve(estimator, title, X_all.todense(), y, ylim=(0.7, 1.01), cv=cv, n_jobs=4)
我可以训练嵌入,例如。
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from nltk.tokenize import word_tokenize
X_tagged = [TaggedDocument(words=word_tokenize(_d.lower()), tags=[str(i)]) for i, _d in enumerate(X)]
model = Doc2Vec(size=8, alpha=0.05, min_alpha=0.00025, dm =1)
model.build_vocab(X_tagged)
model_title.train(X_tagged, total_examples=model.corpus_count, epochs=50)
但是如何在训练嵌入时创建学习曲线。
我对训练嵌入没有足够的直觉来解决这个问题。
通常,学习曲线会根据不同数量的训练数据绘制模型的性能(作为一些定量分数,比如 'accuracy')。
因此,您需要选择一种方法来为您的 Doc2Vec
模型评分。 (也许这将通过使用文档向量作为另一个 classifier 或其他东西的输入。)然后,您需要使用各种不同的训练重新创建 Doc2Vec
模型-设置大小,对每个进行评分,并将 (corpus_size, score)
数据点提供给绘图。
请注意,gensim
包含一个包装器 class,用于将 Doc2Vec
训练步骤放入 scikit-learn
管道中:
https://radimrehurek.com/gensim/sklearn_api/d2vmodel.html
因此,您可以将现有代码的简单 estimator
替换为多步管道,包括 D2VTransformer
作为一个步骤。因此,您将以与现有代码高度相似的方式创建学习曲线图。
我正在尝试优化训练嵌入的时期数。有没有办法为这个过程生成学习曲线。
例如,我可以为常规监督分类创建学习曲线。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.model_selection import StratifiedShuffleSplit
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=None, train_sizes=np.linspace(.1, 1.0, 5)):
plt.figure()
plt.title(title)
if ylim is not None:
plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
train_sizes, train_scores, test_scores = learning_curve(
estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
plt.grid()
plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
train_scores_mean + train_scores_std, alpha=0.1,
color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
label="Cross-validation score")
plt.legend(loc="best")
return plt
title = "Learning Curves (SGDClassifier)"
cv = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)
estimator = SGDClassifier()
plot_learning_curve(estimator, title, X_all.todense(), y, ylim=(0.7, 1.01), cv=cv, n_jobs=4)
我可以训练嵌入,例如。
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from nltk.tokenize import word_tokenize
X_tagged = [TaggedDocument(words=word_tokenize(_d.lower()), tags=[str(i)]) for i, _d in enumerate(X)]
model = Doc2Vec(size=8, alpha=0.05, min_alpha=0.00025, dm =1)
model.build_vocab(X_tagged)
model_title.train(X_tagged, total_examples=model.corpus_count, epochs=50)
但是如何在训练嵌入时创建学习曲线。
我对训练嵌入没有足够的直觉来解决这个问题。
通常,学习曲线会根据不同数量的训练数据绘制模型的性能(作为一些定量分数,比如 'accuracy')。
因此,您需要选择一种方法来为您的 Doc2Vec
模型评分。 (也许这将通过使用文档向量作为另一个 classifier 或其他东西的输入。)然后,您需要使用各种不同的训练重新创建 Doc2Vec
模型-设置大小,对每个进行评分,并将 (corpus_size, score)
数据点提供给绘图。
请注意,gensim
包含一个包装器 class,用于将 Doc2Vec
训练步骤放入 scikit-learn
管道中:
https://radimrehurek.com/gensim/sklearn_api/d2vmodel.html
因此,您可以将现有代码的简单 estimator
替换为多步管道,包括 D2VTransformer
作为一个步骤。因此,您将以与现有代码高度相似的方式创建学习曲线图。