自定义 sklearn 管道变压器给出“pickle.PicklingError”

Question

我正在尝试根据本教程的指导为 Python sklearn 管道创建一个自定义转换器：http://danielhnyk.cz/creating-your-own-estimator-scikit-learn/

现在我的自定义类/变压器看起来像这样：

class SelectBestPercFeats(BaseEstimator, TransformerMixin):
    def __init__(self, model=RandomForestRegressor(), percent=0.8,
                 random_state=52):
        self.model = model
        self.percent = percent
        self.random_state = random_state


    def fit(self, X, y, **fit_params):
        """
        Find features with best predictive power for the model, and
        have cumulative importance value less than self.percent
        """
        # Check parameters
        if not isinstance(self.percent, float):
            print("SelectBestPercFeats.percent is not a float, it should be...")
        elif not isinstance(self.random_state, int):
            print("SelectBestPercFeats.random_state is not a int, it should be...")

        # If checks are good proceed with fitting...
        else:
            try:
                self.model.fit(X, y)
            except:
                print("Error fitting model inside SelectBestPercFeats object")
                return self

            # Get feature importance
            try:
                feat_imp = list(self.model.feature_importances_)
                feat_imp_cum = pd.Series(feat_imp, index=X.columns) \
                    .sort_values(ascending=False).cumsum()

                # Get features whose cumulative importance is <= `percent`
                n_feats = len(feat_imp_cum[feat_imp_cum <= self.percent].index) + 1
                self.bestcolumns_ = list(feat_imp_cum.index)[:n_feats]
            except:
                print ("ERROR: SelectBestPercFeats can only be used with models with"\
                       " .feature_importances_ parameter")
        return self


    def transform(self, X, y=None, **fit_params):
        """
        Filter out only the important features (based on percent threshold)
        for the model supplied.

        :param X: Dataframe with features to be down selected
        """
        if self.bestcolumns_ is None:
            print("Must call fit function on SelectBestPercFeats object before transforming")
        else:
            return X[self.bestcolumns_]

我正在将这个类集成到这样的 sklearn 管道中：

# Define feature selection and model pipeline components
rf_simp = RandomForestRegressor(criterion='mse', n_jobs=-1,
                                n_estimators=600)
bestfeat = SelectBestPercFeats(rf_simp, feat_perc)
rf = RandomForestRegressor(n_jobs=-1,
                           criterion='mse',
                           n_estimators=200,
                           max_features=0.4,
                           )

# Build Pipeline
master_model = Pipeline([('feat_sel', bestfeat), ('rf', rf)])

# define GridSearchCV parameter space to search, 
#   only listing one parameter to simplify troubleshooting
param_grid = {
    'feat_select__percent': [0.8],
}

# Fit pipeline model
grid = GridSearchCV(master_model, cv=3, n_jobs=-1,
                    param_grid=param_grid)

# Search grid using CV, and get the best estimator
grid.fit(X_train, y_train)

每当我运行最后一行代码 (grid.fit(X_train, y_train)) 时，我都会收到以下“PicklingError”。谁能在我的代码中看到导致此问题的原因？

编辑：

或者，我的 Python 设置中是否有问题……我可能缺少一个包或类似的东西吗？我刚刚检查了我可以成功import pickle

Traceback（最近一次调用最后一次）：文件“”，第 5 行，in 文件 "C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\model_selection_search.py​​", 第 945 行，合适 返回 self._fit(X, y, groups, ParameterGrid(self.param_grid)) 文件 "C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\model_selection_search.py​​", 第 564 行，在 _fit 对于 parameter_iterable 文件“C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\externals\joblib\parallel.py”中的参数， 第 768 行，在 调用 self.retrieve() 文件 "C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\externals\joblib\parallel.py", 第 719 行，在检索中 引发异常文件“C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\externals\joblib\parallel.py”， 第 682 行，在检索中 self._output.extend(job.get(timeout=self.timeout)) 文件 "C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\multiprocessing\pool.py", 第 608 行，在获取 提高 self._value 文件“C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\multiprocessing\pool.py”， 第 385 行，在 _handle_tasks 中 放置（任务）文件“C:\Users\jjaaae\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\externals\joblib\pool.py”， 第 371 行，在发送中 CustomizablePickler(buffer, self._reducers).dump(obj) _pickle.PicklingError: Can't pickle : 属性查找 SelectBestPercFeats on builtins 失败

Answer 1

pickle 包需要在另一个模块中定义自定义类然后导入。所以，创建另一个 python 包文件（例如transformation.py），然后像这样from transformation import SelectBestPercFeats 导入它。这将解决酸洗错误。

Answer 2

当您编写自己的转换器时，如果此转换器包含无法序列化的代码，那么如果您尝试对其进行序列化，整个管道将无法序列化。

不仅如此，您还需要这样的序列化才能并行化您的事物，例如您所说的 n_jobs=-1 可见，以使用多个线程。

scikit-learn 的一个坏处是每个对象都应该有它的保护程序。希望有一个解决方案。它要么使您的对象可序列化（并因此删除您从外部库导入的内容），要么只有 1 个作业（无线程），或者使您的对象具有保存对象以对其进行序列化的保护程序。这里将探讨第二种解决方案。

首先，这是一个问题的定义及其解决方案，取自this source：

问题：您无法使用 Joblib 无法“按原样”序列化的步骤来并行化或保存管道

这个问题只会在使用 Scikit-Learn 的某些时候出现。这就是不归路：您已经编写了整个生产流水线，但是一旦您对其进行了训练并选择了最佳模型，您就会意识到您刚刚编写的代码无法序列化。

这意味着一旦经过训练，您的管道就无法保存到磁盘，因为它的一个步骤会从以另一种语言编码的怪异 python 库导入内容和/或使用 GPU 资源。你的代码闻起来很奇怪，你开始为一整年的研究开发感到恐慌。

希望您能够很好地开始编写自己的开源框架，因为您将在接下来的 100 个编码项目中遇到同样的情况，而且您很快就会有其他客户处于同样的情况，而这个 sh** 很关键。

嗯，创建 Neuraxle 是出于共同的需求。

解决方案：在每个步骤中使用一系列 Savers

每个步骤都负责保存自己，您应该为您的怪异对象定义一个或多个自定义保存器对象。保护程序应该：

1. 使用 Saver 保存步骤中的重要内容（请参阅：Saver）
2. 从步骤中删除它（使其可序列化）。该步骤现在已被 Saver 剥离。
3. 然后，默认 JoblibStepSaver 将通过保存剥离对象的所有剩余部分并从代码的 RAM 中删除该对象，在该点之后执行（链式）。这意味着您可以在最终默认 JoblibStepSaver 之前拥有许多部分保存程序。

例如，管道将在调用 save() 方法时执行以下操作，因为它有自己的 TruncableJoblibStepSaver ：

1. 将相关子文件夹中的所有子步骤保存到管道的序列化子文件夹中
2. 从管道对象中删除它们，除了它们的名称，以便稍后在加载时找到它们。管道现已剥离。
3. 让默认保护程序保存剥离的管道。

您不想编写脏代码。他们说，不要违反得墨忒耳法则。在我看来，这是最重要（但也很容易被忽视）的编程法则之一。谷歌一下，我敢。违反这条法律是代码库中最邪恶的根源。

我得出的结论是，在这里不违反这条法律的最巧妙方法是拥有一连串的 Savers。如果它不能用 joblib 序列化，它会让每个对象负责拥有特殊的保存器。整洁的。因此，当事情中断时，您可以选择为中断的对象创建自己的序列化程序，这样您就无需在保存时打破封装以手动挖掘对象，这将违反 Demeter 定律.

请注意，保存器也需要能够在加载保存时重新加载对象。我们已经写了TensorFlow Neuraxle saver。

TL;DR：您可以在 Neuraxle 中的任何管道上调用 save() 方法，如果某些步骤定义了自定义 Saver，则该步骤将在使用默认 JoblibStepSaver 之前使用该 saver。

非picklable管道的并行化

所以您已经使用 Neuraxle 完成了上述操作。整洁的。现在将 Neuraxle 的类用于 AutoML 和随机搜索等。他们应该有适当的并行化抽象，使用保存器来序列化事物。必须对事物进行序列化才能将您的代码发送到其他 python 进程以进行并行化。

Answer 3

我遇到了同样的问题，但在我的情况下，问题在于使用函数转换器，pickle 有时在序列化函数时遇到困难。我的解决方案是改用dill，虽然它有点慢。