4个Scikit-Learn工具

4个Scikit-Learn工具

2021-02-13 08:30·人工智能遇见磐创

数据科学项目往往包括预处理、特征工程、特征选择、训练、测试……在尝试多种选择甚至在生产环境中处理这些步骤时，可能会很快变得混乱。幸运的是，scikitlearn提供了一些选项，允许我们将多个estimator连成一个estimator。换句话说，像fit或predict这样的特定操作只需要在整个estimator序列上应用一次。

在本文中，我们将通过一个具体的项目与你分享其中的四种工具以及用例示例。

目录

• Pipelines
• Function Transformer
• Column Transformer
• Feature Union
• 另一种语法：make_[composite_estimator]
• 额外：可视化管道

热身

在我们开始探索scikit learn的工具之前，先获取一个可以使用的数据集。

这只是为了示范，所以你不一定要下载它（除非你想自己尝试代码）。

实际上我们偶然发现了一个名为datasets的python包，它允许你轻松下载500多个数据集：

importpandasaspdfromdatasetsimportload_datasetdataset=load_dataset("amazon_us_reviews",'Video_Games_v1_00',split='train')df=pd.DataFrame(dataset)

我们将使用亚马逊美国评论。它包含数字和文本特征（例如评论和获得的有用票数），目标特征是获得的星星数：https://huggingface.co/datasets/viewer/?dataset=amazon_us_reviews&config=Video_Games_v1_00

1-Pipelines

什么是Pipelines(管道)？

管道是为了方便起见，将estimator序列封装成单个序列的工具。

什么使它有用？

管道之所以方便，有多种原因：

• 紧凑性：避免编写多行代码和担心estimator的顺序；
• 清晰：易于阅读和可视化；
• 易于处理：只需一个单一的行动就可以fit或者predict整个序列；
• 联合参数选择：使用管道可以通过网格搜索一次性优化所有estimator的参数。

我如何在实践中使用它？

实际上，管道是由一组transformer和一个estimator组成的。

如果你不知道什么是transformer，你可以认为它是一个包含fit和transform方法的对象。

在本示例中，我们将使用TfidfVectorizer将评论从文本数据转换为数字数据，然后尝试使用RandomForestClassifier进行预测：

fromsklearn.pipelineimportPipelinefromsklearn.ensembleimportRandomForestClassifierfromsklearn.feature_extraction.textimportTfidfVectorizermodel=Pipeline([('vectorizer',TfidfVectorizer()),('clf',RandomForestClassifier())])model.fit(df['review_body'],df['star_rating'])

2.Function Transformer

什么是Function Transformer？

如前一节所述，transformer需要包含fit和transform方法。

FunctionTransformer是一个无状态的transformer，它是由你创建的callable构造的。

什么使它有用？

在某些情况下，需要执行不进行任何参数拟合的转换。在这种情况下，创建fit方法是没有用的。在这些情况下，FunctionTransformer将是最有用的。

我如何在实践中使用它？

数据集包含一个日期格式的特征。我们可以对日期进行转换的一个例子是提取年份。

以下是如何使用FunctionTransformer：

fromsklearn.preprocessingimportFunctionTransformertr=FunctionTransformer(lambdax:pd.to_datetime(x['review_date']).dt.year)

注意：如果lambda函数与FunctionTransformer一起使用，则生成的transformer将不可pickle。要知道的一件好事是，你可以通过使用cloudpickle包来解决这个问题。

3.Column Transformer

什么是Column Transformer？

根据数据集的不同，可能需要对数组或数据帧的不同列应用不同的转换。

Column Transformer允许在连接结果特征之前应用单独的转换。

什么使它有用？

这种estimator对于异构数据特别有用。在这种情况下，需要自定义特征提取机制或对列或列子集的数据类型进行转换。

我如何在实践中使用它？

在本例中，我们有文本数据和数字数据。下面是如何使用Column Transformer根据数据类型应用单独的转换：

fromsklearn.composeimportColumnTransformerfromsklearn.feature_extraction.textimportTfidfVectorizerfromsklearn.preprocessingimportNormalizerct=ColumnTransformer([("vectorizer",TfidfVectorizer(max_features=100),'review_body'),("normalizer",Normalizer(norm='l1'),['total_votes','helpful_votes'])])

正如预期的那样，ColumnTransformer的输出数据有102列：100列来自TF-IDFtransformer，2列来自Normalizer。

4-Feature Union

什么是Feature Union？

与ColumnTransformer类似，FeatureUnion将多个Transformer的结果连接起来。只是有些不同，因为每个transformer都将整个数据集作为其输入，而不是ColumnTransformer中的列子集。

就使用它们所能做的事情而言，这两种方法是相当等效的，但根据情况，其中一种可能更适合使用，并且需要的代码行数更少。

什么时候使用它？

FeatureUnion允许你将不同的特征提取变换器组合到一个Transformer中。

我如何在实践中使用它？

与前一种情况等效，我们可以使用由ColumnSelector和给定的transformer组成的管道来构造FeatureUnion。

我们将构造一个FeatureUnion，它执行与先前实现的ColumnTransformer相同的转换。

为此，我们将两个管道封装成一个FeatureUnion。每个管道链接一个ColumnSelector和一个给定的transformer。

scikit learn中没有预先实现的ColumnSelector，因此我们将使用FunctionTransformer构建自己的ColumnSelector：

fromsklearn.feature_extraction.textimportTfidfVectorizerfromsklearn.pipelineimportFeatureUnionfromsklearn.pipelineimportPipelinefromsklearn.preprocessingimportFunctionTransformerfromsklearn.preprocessingimportNormalizervectorizer=Pipeline([('selector',FunctionTransformer(lambdax:df['review_body'])),('vectorizer',TfidfVectorizer(max_features=100))])normalizer=Pipeline([('selector',FunctionTransformer(lambdadf:df[['total_votes','helpful_votes']])),("normalizer",Normalizer(norm='l1'))])fu=FeatureUnion([("vectorizer",vectorizer),("normalizer",normalizer)])

另一种语法：make_[composite_estimator]

除了前面提到的方法之外，还有一些语法稍有不同的方法（Function Transformer除外）。

这些方法是：

• make_pipeline(https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html#sklearn.pipeline.make_pipeline)
• make_column_transformer(https://scikit-learn.org/stable/modules/generated/sklearn.compose.make_column_selector.html#sklearn.compose.make_column_selector)
• make_union(https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_union.html#sklearn.pipeline.make_union)

这些是以前构造函数的简写。主要的区别是它们不要求，也不允许命名estimator。相反，组件名将自动设置为其类型的小写。

在大多数情况下，使用速记版本更简单、更清晰、更易读。但是，例如，如果需要执行网格搜索，则可能需要自定义estimator的名称。在这种情况下，为了清晰和紧凑，分配简短的可分辨名称可能很有用。

如果你不熟悉使用网格搜索进行参数优化，我们将很快就此撰写一篇文章。

你可以在下面看到应用于管道案例的两个版本之间的差异：

• 管道语法：

pipe=Pipeline([('vec',TfidfVectorizer()),('clf',LogisticRegression()])param_grid={'clf__C':[1,10,100]}grid_search=GridSearchCV(pipe,param_grid)grid_search.fit(X,y)

• make_pipeline相比：

pipe=make_pipeline(TfidfVectorizer(),LogisticRegression())param_grid={'logisticregression__C':[1,10,100]}grid_search=GridSearchCV(pipe,param_grid)grid_search.fit(X,y)

额外：可视化你的管道

Scikit Learn提供了一种使用以下代码行可视化你创建的复合estimator的简洁方法：

fromsklearn.pipelineimportPipelinefromsklearn.linear_modelimportLogisticRegressionfromsklearn.preprocessingimportFunctionTransformerfromsklearn.utilsimportestimator_html_repr#定义一个示例管道model=Pipeline([('transformer',FunctionTransformer(lambdax:2*x)),('clf',LogisticRegression())])withopen('model.html','w')asf:f.write(estimator_html_repr(model))

这将有效地创建一个以清晰的方式表示管道的交互式HTML文件。

如果你使用notebook，另一种方法是使用以下代码：

fromIPython.displayimportdisplayfromsklearn.pipelineimportPipelinefromsklearn.linear_modelimportLogisticRegressionfromsklearn.preprocessingimportFunctionTransformerfromsklearnimportset_configset_config(display='diagram')#定义一个示例管道model=Pipeline([('transformer',FunctionTransformer(lambdax:2*x)),('clf',LogisticRegression())])display(model)

结尾

管道和复合estimator是数据科学项目的强大工具，尤其是那些要放在生产环境中的项目。它们的附加价值不仅在于清晰和方便，还在于安全和防止数据泄漏。