注意
转到末尾以下载完整示例代码，或通过 JupyterLite 或 Binder 在浏览器中运行此示例。
文本特征提取和评估的示例管道#
此示例中使用的数据集是20 newsgroups 文本数据集，它将自动下载、缓存并用于文档分类示例。
在此示例中，我们使用RandomizedSearchCV对特定分类器的超参数进行调整。有关其他一些分类器性能的演示，请参阅使用稀疏特征对文本文档进行分类笔记本。
# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause
数据加载#
我们从训练集中加载两个类别。您可以通过将类别名称添加到列表中来调整类别数量，或者在调用数据集加载器fetch_20newsgroups时设置categories=None以获取所有 20 个类别。
from sklearn.datasets import fetch_20newsgroups
categories = [
"alt.atheism",
"talk.religion.misc",
]
data_train = fetch_20newsgroups(
subset="train",
categories=categories,
shuffle=True,
random_state=42,
remove=("headers", "footers", "quotes"),
)
data_test = fetch_20newsgroups(
subset="test",
categories=categories,
shuffle=True,
random_state=42,
remove=("headers", "footers", "quotes"),
)
print(f"Loading 20 newsgroups dataset for {len(data_train.target_names)} categories:")
print(data_train.target_names)
print(f"{len(data_train.data)} documents")
Loading 20 newsgroups dataset for 2 categories:
['alt.atheism', 'talk.religion.misc']
857 documents
带超参数调整的管道#
我们定义了一个管道，它将文本特征向量化器与一个简单但对文本分类有效的分类器相结合。
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import ComplementNB
from sklearn.pipeline import Pipeline
pipeline = Pipeline(
[
("vect", TfidfVectorizer()),
("clf", ComplementNB()),
]
)
pipeline
我们定义了一个超参数网格，供RandomizedSearchCV探索。使用GridSearchCV代替会探索网格中所有可能的组合，这计算成本可能很高，而RandomizedSearchCV的参数n_iter控制评估的不同随机组合的数量。请注意，如果将n_iter设置得大于网格中可能的组合数量，则会导致重复探索已探索过的组合。我们搜索特征提取 (vect__) 和分类器 (clf__) 的最佳参数组合。
import numpy as np
parameter_grid = {
"vect__max_df": (0.2, 0.4, 0.6, 0.8, 1.0),
"vect__min_df": (1, 3, 5, 10),
"vect__ngram_range": ((1, 1), (1, 2)), # unigrams or bigrams
"vect__norm": ("l1", "l2"),
"clf__alpha": np.logspace(-6, 6, 13),
}
在这种情况下，n_iter=40并不是对超参数网格的详尽搜索。在实践中，增加参数n_iter以获得更具信息性的分析会很有趣。因此，计算时间会增加。我们可以通过增加通过参数n_jobs使用的 CPU 数量，利用参数组合评估的并行化来减少它。
from pprint import pprint
from sklearn.model_selection import RandomizedSearchCV
random_search = RandomizedSearchCV(
estimator=pipeline,
param_distributions=parameter_grid,
n_iter=40,
random_state=0,
n_jobs=2,
verbose=1,
)
print("Performing grid search...")
print("Hyperparameters to be evaluated:")
pprint(parameter_grid)
Performing grid search...
Hyperparameters to be evaluated:
{'clf__alpha': array([1.e-06, 1.e-05, 1.e-04, 1.e-03, 1.e-02, 1.e-01, 1.e+00, 1.e+01,
1.e+02, 1.e+03, 1.e+04, 1.e+05, 1.e+06]),
'vect__max_df': (0.2, 0.4, 0.6, 0.8, 1.0),
'vect__min_df': (1, 3, 5, 10),
'vect__ngram_range': ((1, 1), (1, 2)),
'vect__norm': ('l1', 'l2')}
Fitting 5 folds for each of 40 candidates, totalling 200 fits
Done in 24.387s
print("Best parameters combination found:")
best_parameters = random_search.best_estimator_.get_params()
for param_name in sorted(parameter_grid.keys()):
print(f"{param_name}: {best_parameters[param_name]}")
Best parameters combination found:
clf__alpha: 0.01
vect__max_df: 0.2
vect__min_df: 1
vect__ngram_range: (1, 1)
vect__norm: l1
test_accuracy = random_search.score(data_test.data, data_test.target)
print(
"Accuracy of the best parameters using the inner CV of "
f"the random search: {random_search.best_score_:.3f}"
)
print(f"Accuracy on test set: {test_accuracy:.3f}")
Accuracy of the best parameters using the inner CV of the random search: 0.816
Accuracy on test set: 0.709
前缀vect和clf是必需的，以避免管道中可能的歧义，但对于可视化结果不是必需的。因此，我们定义了一个函数来重命名调整后的超参数并提高可读性。
import pandas as pd
def shorten_param(param_name):
"""Remove components' prefixes in param_name."""
if "__" in param_name:
return param_name.rsplit("__", 1)[1]
return param_name
cv_results = pd.DataFrame(random_search.cv_results_)
cv_results = cv_results.rename(shorten_param, axis=1)
我们可以使用 plotly.express.scatter 来可视化评分时间与平均测试分数（即“CV 分数”）之间的权衡。将光标悬停在给定点上会显示相应的参数。误差条对应于在交叉验证的不同折叠中计算的一个标准偏差。
import plotly.express as px
param_names = [shorten_param(name) for name in parameter_grid.keys()]
labels = {
"mean_score_time": "CV Score time (s)",
"mean_test_score": "CV score (accuracy)",
}
fig = px.scatter(
cv_results,
x="mean_score_time",
y="mean_test_score",
error_x="std_score_time",
error_y="std_test_score",
hover_data=param_names,
labels=labels,
)
fig.update_layout(
title={
"text": "trade-off between scoring time and mean test score",
"y": 0.95,
"x": 0.5,
"xanchor": "center",
"yanchor": "top",
}
)
fig
请注意，绘图左上角的模型集群在准确性和评分时间之间具有最佳权衡。在这种情况下，使用 bigram 会增加所需的评分时间，而不会显著提高管道的准确性。
注意
有关如何自定义自动调整以最大化分数和最小化评分时间的更多信息，请参阅示例笔记本带交叉验证的网格搜索的自定义 refit 策略。
我们还可以使用 plotly.express.parallel_coordinates 来进一步将平均测试分数可视化为调整后的超参数的函数。这有助于发现两个以上超参数之间的交互作用，并提供关于它们对于改进管道性能的相关性的直觉。
我们对 alpha 轴应用 math.log10 转换，以展开活动范围并提高绘图的可读性。该轴上的值 \(x\) 应理解为 \(10^x\)。
import math
column_results = param_names + ["mean_test_score", "mean_score_time"]
transform_funcs = dict.fromkeys(column_results, lambda x: x)
# Using a logarithmic scale for alpha
transform_funcs["alpha"] = math.log10
# L1 norms are mapped to index 1, and L2 norms to index 2
transform_funcs["norm"] = lambda x: 2 if x == "l2" else 1
# Unigrams are mapped to index 1 and bigrams to index 2
transform_funcs["ngram_range"] = lambda x: x[1]
fig = px.parallel_coordinates(
cv_results[column_results].apply(transform_funcs),
color="mean_test_score",
color_continuous_scale=px.colors.sequential.Viridis_r,
labels=labels,
)
fig.update_layout(
title={
"text": "Parallel coordinates plot of text classifier pipeline",
"y": 0.99,
"x": 0.5,
"xanchor": "center",
"yanchor": "top",
}
)
fig
平行坐标图在不同的列上显示超参数的值，而性能指标则用颜色编码。可以通过单击并按住平行坐标图的任何轴来选择结果范围。然后，您可以滑动（移动）范围选择并交叉两个选择以查看交集。您可以再次单击同一轴来撤消选择。
特别是对于这种超参数搜索，有趣的是，性能最佳的模型似乎不依赖于正则化 norm，但它们确实依赖于 max_df、min_df 和正则化强度 alpha 之间的权衡。原因是包含嘈杂特征（即 max_df 接近 \(1.0\) 或 min_df 接近 \(0\)）往往会过拟合，因此需要更强的正则化来补偿。特征较少需要较少的正则化和较少的评分时间。
当 alpha 介于 \(10^{-6}\) 和 \(10^0\) 之间时，无论超参数 norm 如何，都会获得最佳准确率分数。
脚本总运行时间： (0 minutes 26.612 seconds)
相关示例
