Question

我正在使用scikit-learn并正在构建管道。构建管道后，我使用GridSearchCV来查找最佳模型。我正在处理文本数据，所以我正在试验不同的词干分析器。我创建了一个名为Preprocessor的类，它接受一个stemmer和vectorizer类，然后尝试覆盖vectorizer的方法build_analyzer以合并给定的stemmer。但是，我看到GridSearchCV的set_params只是直接访问实例变量 - 也就是说它不会用新的分析器重新实例化一个矢量器，就像我一直在做的那样：

class Preprocessor(object):
    # hard code the stopwords for now
    stopwords = nltk.corpus.stopwords.words()

    def __init__(self, stemmer_cls, vectorizer_cls):
        self.stemmer = stemmer_cls()
        analyzer = self._build_analyzer(self.stemmer, vectorizer_cls)
        self.vectorizer = vectorizer_cls(stopwords=stopwords,
                                         analyzer=analyzer,
                                         decode_error='ignore')

    def _build_analyzer(self, stemmer, vectorizer_cls):
        # analyzer tokenizes and lowercases
        analyzer = super(vectorizer_cls, self).build_analyzer()
        return lambda doc: (stemmer.stem(w) for w in analyzer(doc))

    def fit(self, **kwargs):
        return self.vectorizer.fit(kwargs)

    def transform(self, **kwargs):
        return self.vectorizer.transform(kwargs)

    def fit_transform(self, **kwargs):
        return self.vectorizer.fit_transform(kwargs)

所以问题是：我如何覆盖传入的所有矢量化器类的build_analyzer？

Answer 1

是的，GridSearchCV直接设置实例字段，然后调用适合更改字段的分类器。

scikit-learn中的每个分类器都是以这样的方式构建的，__init__只设置参数字段，而进一步工作所需的所有依赖对象（如在你的情况下调用_build_analyzer）只在fit方法中构造。你必须添加存储vectorizer_cls的附加字段，然后你必须在fit方法中构造依赖于vectorized_cls和stemmer_cls对象。

类似的东西：

class Preprocessor(object):
    # hard code the stopwords for now
    stopwords = nltk.corpus.stopwords.words()

    def __init__(self, stemmer_cls, vectorizer_cls):
        self.stemmer_cls = stemmer_cls
        self.vectorizer_cls = vectorizer_cls

    def _build_analyzer(self, stemmer, vectorizer_cls):
        # analyzer tokenizes and lowercases
        analyzer = super(vectorizer_cls, self).build_analyzer()
        return lambda doc: (stemmer.stem(w) for w in analyzer(doc))

    def fit(self, **kwargs):
        analyzer = self._build_analyzer(self.stemmer_cls(), vectorizer_cls)
        self.vectorizer_cls = vectorizer_cls(stopwords=stopwords,
                                         analyzer=analyzer,
                                         decode_error='ignore')

        return self.vectorizer_cls.fit(kwargs)

    def transform(self, **kwargs):
        return self.vectorizer_cls.transform(kwargs)

    def fit_transform(self, **kwargs):
        return self.vectorizer_cls.fit_transform(kwargs)

覆盖实现接口的类集合的方法

1 个答案: