将 sklearn 的 GridSearchCV 与管道一起使用，只需预处理一次

Question

我正在使用 scickit-learn 来调整模型超参数。 我正在使用管道将预处理与估计器链接起来。 我的问题的一个简单版本如下所示：

import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression


grid = GridSearchCV(make_pipeline(StandardScaler(), LogisticRegression()),
                    param_grid={'logisticregression__C': [0.1, 10.]},
                    cv=2,
                    refit=False)

_ = grid.fit(X=np.random.rand(10, 3),
             y=np.random.randint(2, size=(10,)))

在我的情况下，预处理（玩具示例中的 StandardScale() ）是耗时的，我没有调整它的任何参数。

所以，当我执行这个例子时，StandardScaler 被执行了 12 次。 2 拟合/预测 * 2 cv * 3 参数。 但是每次针对参数 C 的不同值执行 StandardScaler 时，它都会返回相同的输出，因此计算一次会更有效率，然后只运行管道的估计器部分。

我可以在预处理（没有调整超参数）和估计器之间手动拆分管道。 但是要将预处理应用于数据，我应该只提供训练集。 因此，我必须手动实现拆分，而根本不使用 GridSearchCV。

是否有一种简单/标准的方法可以避免在使用 GridSearchCV 时重复预处理？

Answer 1

更新：理想情况下，不应使用以下答案，因为它会导致评论中讨论的数据泄漏。 在这个答案中， GridSearchCV将在已经由StandardScaler预处理的数据上调整超参数，这是不正确的。 在大多数情况下应该无关紧要，但是对缩放过于敏感的算法会给出错误的结果。

---

本质上，GridSearchCV 也是一个估计器，实现了管道使用的 fit() 和 predict() 方法。

所以而不是：

grid = GridSearchCV(make_pipeline(StandardScaler(), LogisticRegression()),
                    param_grid={'logisticregression__C': [0.1, 10.]},
                    cv=2,
                    refit=False)

做这个：

clf = make_pipeline(StandardScaler(), 
                    GridSearchCV(LogisticRegression(),
                                 param_grid={'logisticregression__C': [0.1, 10.]},
                                 cv=2,
                                 refit=True))

clf.fit()
clf.predict()

它会做的是，只调用一次 StandardScalar()，一次调用clf.fit()而不是您描述的多次调用。

编辑：

当在管道内使用 GridSearchCV 时，将 refit 更改为True 。 如文档中所述：

refit : boolean, default=True 用整个数据集重新拟合最佳估计器。 如果为“False”，则在拟合后无法使用此 GridSearchCV 实例进行预测。

如果 refit=False， clf.fit()将不起作用，因为管道内的 GridSearchCV 对象将在fit()之后重新初始化。 当refit=True ，GridSearchCV 将使用fit()传递的整个数据的最佳评分参数组合进行重新fit() 。

所以如果要制作pipeline，只看网格搜索的分数，只有refit=False合适。 如果要调用clf.predict()方法，必须使用refit=True ，否则会抛出 Not Fitted 错误。

Answer 2

对于那些偶然发现一些不同问题的人，我也遇到过。

假设你有这个管道：

classifier = Pipeline([
    ('vectorizer', CountVectorizer(max_features=100000, ngram_range=(1, 3))),
    ('clf', RandomForestClassifier(n_estimators=10, random_state=SEED, n_jobs=-1))])

然后，在指定参数时，您需要包含用于估算器的“ clf_ ”名称。 所以参数网格将是：

params={'clf__max_features':[0.3, 0.5, 0.7],
        'clf__min_samples_leaf':[1, 2, 3],
        'clf__max_depth':[None]
        }

Answer 3

在当前版本的 scikit-learn (0.18.1) 中无法做到这一点。 在 github 项目上提出了一个修复：

https://github.com/scikit-learn/scikit-learn/issues/8830

https://github.com/scikit-learn/scikit-learn/pull/8322