Блог

Главная - Вопросы по программированию - Ошибка метода Sklearn fit при построении составного оценщика

Ошибка метода Sklearn fit при построении составного оценщика

#python #scikit-learn

#python #scikit-learn

Вопрос:

Я пытался создать составную оценку sklearn ; Теперь я обнаружил, что sklearn.compose.TransformedTargetRegressor это делает именно то, чего я пытался достичь, но я все еще не могу его воспроизвести, и мне любопытно, почему.

Ошибка, которую я получаю :

 AssertionError: Estimator TransformedSkModel should not change or mutate  the parameter model from LinearRegression() to LinearRegression() during fit.

Мой код :

 import numpy as np
from sklearn.base import BaseEstimator

class TransformedSkModel(BaseEstimator):
    
    def __init__(self, model, transform_function, reverse_transform_function):
        
        # TODO: ideally, verify, based on specified ranges, that the transform
        # function and reverse transform function are compatible
        
        self.model = model
        self.transform_function = transform_function
        self.reverse_transform_function = reverse_transform_function
    
    def fit(self, X, y):
        
        # Trying to reproduce as sklearn compatible estimator, we must use the 
        # conventions:
            
        # The constructor in an estimator should only set attributes to the 
        # values the user passes as arguments. All computation should occur in 
        # fit, and if fit needs to store the result of a computation, it should 
        # do so in an attribute with a trailing underscore (_). This convention 
        # is what makes clone and meta-estimators such as GridSearchCV work.
        
        self.vectorized_transform_function_ =
            np.vectorize(self.transform_function)
        self.vectorized_reverse_transform_function_ =
            np.vectorize(self.reverse_transform_function)
            
        y_transformed = self.vectorized_transform_function_(y)
        self.model.fit(X, y_transformed)
        
        return self
        
    def predict(self, X):
        
        y_transformed = self.model.predict(X)
        y = self.vectorized_reverse_transform_function_(y_transformed)
        return y
    
    # def get_params(self, ):
        
    #     return self.model.get_params()
    
if __name__ == "__main__":
    
    from sklearn.utils.estimator_checks import check_estimator
    from sklearn.linear_model import LinearRegression
    
    lm = LinearRegression()
    id_func = lambda x:x
    test = TransformedSkModel(lm, id_func, id_func)
    check_estimator(test)

РЕДАКТИРОВАТЬ: я использую версию sklearn 0.24.0 и версию python 3.6.8

Комментарии:

1. какую версию sklearn вы используете?

2. Привет, @ctlr; Я использую версию sklearn 0.24.0 и версию python 3.6.8

3. Здесь это похоже на проблему, я опубликую ответ, если найду решение. по сути, сравниваются ваши установленные и исходные параметры модели, и объекты с установленной моделью изучили параметры, что вызывает другой хэш и выдает ошибку

4. Да, конечно, я тоже так понимаю. Я понимаю, что параметры не должны изменяться методом подгонки; но мой субоценщик должен быть. Должно ли оно быть помечено по-другому? Пока я думаю об этом, просмотр кода sklearn.compose.TransformedTargetRegressor может помочь, поскольку он делает то, что я хочу, без каких-либо проблем

5. Здесь клонируется исходная оценка, а клонированная подгоняется и используется для прогнозирования. После этого я получаю некоторые ошибки из-за id_func

Ответ №1:

Итак, глядя на sklearn.compose.TransformedTargetRegressor (который делает то, что я хочу), ключ, похоже, копирует мое model использование sklearn.base.clone и соответствует новому self.model_ (с подчеркиванием в trail в соответствии с соглашением). Таким образом, новый код для моего метода fit становится:

 def fit(self, X, y):
        
        # Trying to reproduce as sklearn compatible estimator, we must use the 
        # conventions:
            
        # The constructor in an estimator should only set attributes to the 
        # values the user passes as arguments. All computation should occur in 
        # fit, and if fit needs to store the result of a computation, it should 
        # do so in an attribute with a trailing underscore (_). This convention 
        # is what makes clone and meta-estimators such as GridSearchCV work.
        
        self.vectorized_transform_function_ =
            np.vectorize(self.transform_function)
        self.vectorized_reverse_transform_function_ =
            np.vectorize(self.reverse_transform_function)
            
        y_transformed = self.vectorized_transform_function_(y)
        self.model_ = clone(self.model)
        self.model_.fit(X, y_transformed)

Теперь я получаю другую ошибку, связанную с использованием np.vectorize , но это еще одна проблема, которую, я думаю, можно решить в другом вопросе.

Метки: