文本特征提取和评估的示例管道#
本示例中使用的数据集是 20 个新闻组文本数据集，它将自动下载、缓存并重复用于文档分类示例。
在本示例中，我们使用 RandomizedSearchCV 调整特定分类器的超参数。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。
# Author: Olivier Grisel <[email protected]>
# Peter Prettenhofer <[email protected]>
# Mathieu Blondel <[email protected]>
# Arturo Amor <[email protected]>
# License: 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或在调用数据集加载器 fetch_20newsgroups 时设置 categories=None 来调整类别数量，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
带有超参数调整的管道#
我们定义了一个管道，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结合起来。
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，由 RandomizedSearchCV 进行探索。使用 GridSearchCV 而不是会探索网格上所有可能的组合，这在计算上可能很昂贵，而 RandomizedSearchCV 的参数 n_iter 控制评估的不同随机组合的数量。请注意，将 n_iter 设置为大于网格中可能组合的数量会导致重复已经探索过的组合。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),
}
在本例中，n_iter=40 不是对超参数网格的穷举搜索。在实践中，增加参数 n_iter 以获得更具信息量的分析会很有趣。结果，计算时间会增加。我们可以通过利用参数组合评估的并行化来减少它，方法是通过参数 n_jobs 增加使用的 CPU 数量。
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 29.334s
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 是为了避免管道中可能出现的歧义，但对于可视化结果来说不是必需的。因此，我们定义了一个函数，它将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 来可视化评分时间和平均测试分数（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。误差条对应于交叉验证的不同折叠中计算出的一个标准差。
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，图中左上角的模型簇在准确性和评分时间之间具有最佳权衡。在本例中，使用双字母词会增加所需的评分时间，而不会显着提高管道的准确性。
注意
有关如何自定义自动调整以最大化分数并最小化评分时间的更多信息，请参阅示例笔记本 使用交叉验证的网格搜索的自定义重新拟合策略。
我们还可以使用 plotly.express.parallel_coordinates 来进一步可视化平均测试分数作为调整后的超参数的函数。这有助于找到多个超参数之间的交互，并提供有关它们对提高管道性能的相关性的直觉。
我们在 alpha 轴上应用了 math.log10 变换，以扩展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
平行坐标图显示了不同列上的超参数值，而性能指标则用颜色编码。可以通过点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。您可以通过再次点击同一个轴来撤消选择。
特别是对于此超参数搜索，有趣的是注意到，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。原因是包含噪声特征（即 max_df 接近 \(1.0\) 或 min_df 接近 \(0\)）往往会导致过拟合，因此需要更强的正则化来补偿。拥有更少的特征需要更少的正则化和更少的评分时间。
当 alpha 在 \(10^{-6}\) 和 \(10^0\) 之间时，无论超参数 norm 如何，都能获得最佳的准确率得分。
脚本的总运行时间：（0 分 31.454 秒）
相关示例
