有没有一种快速的方法可以同时训练多个模型？
Is there a fast way to train many models at the same time?
我想训练一个 2-way 分类器，也就是说，假设我有 4 类 个要将文本分类到的分类器。我不想将所有训练数据分组到一个训练集中，然后标签将是 4 个标签。相反，我想制作一个二进制标签。例如，我必须首先制作 4 个数据集副本，然后，我制作标签 A，其余的不是 A，然后第二个数据集将是 B 和 Not B，依此类推..
在那之后，我必须制作 4 个模型（例如朴素贝叶斯）并训练我制作的每个数据集。我想要的是一种无需所有这些工作即可完成所有这些工作的方法。这可能吗？
是的，这种单独的二元分类器适用于单个数据集中存在的多个 类 中的每一个的策略称为 "one versus all" 或 "one versus rest". Some sklearn models come with this available as a parameter, such as logistic regression，您可以在其中设置 multi_class 参数到 'ovr' 一个 v. 休息。
有一个很好的 sklearn 对象，它使其他算法变得容易，称为 OneVersusRestClassifier。对于您的朴素贝叶斯示例，它很简单：
from sklearn.multiclass import OneVsRestClassifier
from sklearn.naive_bayes import GaussianNB
clf = OneVsRestClassifier(GaussianNB())
然后您可以从那里照常使用您的分类器，例如clf.fit(X,y)
（有趣的是，当存在三个或更多 类 时，单对所有朴素贝叶斯模型并不简单等同于多项朴素贝叶斯模型，正如我最初假设的那样。有一个简短的例子 here这证明了这一点。）
我想训练一个 2-way 分类器，也就是说，假设我有 4 类 个要将文本分类到的分类器。我不想将所有训练数据分组到一个训练集中，然后标签将是 4 个标签。相反，我想制作一个二进制标签。例如，我必须首先制作 4 个数据集副本，然后，我制作标签 A，其余的不是 A，然后第二个数据集将是 B 和 Not B，依此类推..
在那之后，我必须制作 4 个模型（例如朴素贝叶斯）并训练我制作的每个数据集。我想要的是一种无需所有这些工作即可完成所有这些工作的方法。这可能吗？
是的，这种单独的二元分类器适用于单个数据集中存在的多个 类 中的每一个的策略称为 "one versus all" 或 "one versus rest". Some sklearn models come with this available as a parameter, such as logistic regression，您可以在其中设置 multi_class 参数到 'ovr' 一个 v. 休息。
有一个很好的 sklearn 对象，它使其他算法变得容易，称为 OneVersusRestClassifier。对于您的朴素贝叶斯示例，它很简单：
from sklearn.multiclass import OneVsRestClassifier
from sklearn.naive_bayes import GaussianNB
clf = OneVsRestClassifier(GaussianNB())
然后您可以从那里照常使用您的分类器，例如clf.fit(X,y)
（有趣的是，当存在三个或更多 类 时，单对所有朴素贝叶斯模型并不简单等同于多项朴素贝叶斯模型，正如我最初假设的那样。有一个简短的例子 here这证明了这一点。）