在最终模型中保存预处理步骤[重复]

Question

我正在尝试将我的文本分类模型保存为 pickle 文件。我有一组特定的预处理步骤，我想将它们保存在我的最终模型中，以将其应用于看不见的数据进行预测。目前我尝试使用 sklearn 管道，其中包括预处理、应用计数矢量化器和应用算法。我的问题是，这是否是将预处理步骤保存在最终模型中的正确方法，还是应该将其保存为单独的文件。下面是我的代码

from sklearn import model_selection
X_train, X_test, y_train, y_test = model_selection.train_test_split(df_train.data, df_train.label, test_size=0.2)
vect = CountVectorizer(stop_words='english', max_features=10000, , ngram_range=(1,2))
X_train_dtm = vect.fit_transform(X_train)
X_test_dtm = vect.transform(X_test)

from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
rf_classifier = RandomForestClassifier(n_estimators=100)
rf_classifier.fit(X_train_dtm, y_train)
rf_predictions = rf_classifier.predict(X_test_dtm)
print("RF Accuracy:")
metrics.accuracy_score(y_test, rf_predictions)


import pickle
from sklearn.pipeline import Pipeline
pipe = Pipeline([("prep", prep),("CV", vect), ("RF", rf_classifier)])
with open('PII_model.pickle', 'wb') as picklefile:
    pickle.dump(pipe, picklefile)

我有一个预处理方法，我调用了它，并将它包含在我的 sklearn 管道中

prep = prep(df_train)

Answer 1

一般来说，这是正确的方法。但是您可以改进它，从一开始就将所有内容都放在管道中：

vect = CountVectorizer(stop_words='english', 
                       max_features=10000, 
                       ngram_range=(1,2))
rf_classifier = RandomForestClassifier(n_estimators=100)
pipe = Pipeline([("prep", prep),("CV", vect), ("RF", rf_classifier)])    
pipe.fit(X_train_dtm, y_train)

rf_predictions = pipe.predict(X_test_dtm)
print("RF Accuracy:")
metrics.accuracy_score(y_test, rf_predictions)

with open('PII_model.pickle', 'wb') as picklefile:
    pickle.dump(pipe, picklefile)

将所有内容放在一个管道中的另一个好处 - 您可以轻松地使用 GridSearch 来调整模型的参数。

您还可以在此处找到有关如何组织pipeline with mixed types 的官方文档。